論文の概要: Hybrid quantum physics-informed neural networks for simulating
computational fluid dynamics in complex shapes
- arxiv url: http://arxiv.org/abs/2304.11247v2
- Date: Fri, 17 Nov 2023 11:28:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 19:45:50.746084
- Title: Hybrid quantum physics-informed neural networks for simulating
computational fluid dynamics in complex shapes
- Title（参考訳）: 複雑な形状の計算流体力学をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワーク
- Authors: Alexandr Sedykh, Maninadh Podapaka, Asel Sagingalieva, Karan Pinto,
Markus Pflitsch, Alexey Melnikov
- Abstract要約: 本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
- 参考スコア（独自算出の注目度）: 39.58317527488534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding the distribution of the velocities and pressures of a fluid (by
solving the Navier-Stokes equations) is a principal task in the chemical,
energy, and pharmaceutical industries, as well as in mechanical engineering and
the design of pipeline systems. With existing solvers, such as OpenFOAM and
Ansys, simulations of fluid dynamics in intricate geometries are
computationally expensive and require re-simulation whenever the geometric
parameters or the initial and boundary conditions are altered. Physics-informed
neural networks are a promising tool for simulating fluid flows in complex
geometries, as they can adapt to changes in the geometry and mesh definitions,
allowing for generalization across different shapes. We present a hybrid
quantum physics-informed neural network that simulates laminar fluid flows in
3D Y-shaped mixers. Our approach combines the expressive power of a quantum
model with the flexibility of a physics-informed neural network, resulting in a
21% higher accuracy compared to a purely classical neural network. Our findings
highlight the potential of machine learning approaches, and in particular
hybrid quantum physics-informed neural network, for complex shape optimization
tasks in computational fluid dynamics. By improving the accuracy of fluid
simulations in complex geometries, our research using hybrid quantum models
contributes to the development of more efficient and reliable fluid dynamics
solvers.
- Abstract（参考訳）: 流体の速度と圧力の分布(ナビエ・ストークス方程式の解法によって)を見つけることは、化学、エネルギー、薬品産業、機械工学、パイプラインシステムの設計において主要な仕事である。
OpenFOAMやAnsysのような既存の解法では、複雑な測地における流体力学のシミュレーションは計算コストが高く、幾何学的パラメータや初期条件や境界条件が変更されるたびに再シミュレーションが必要となる。
物理インフォームドニューラルネットワークは複雑な幾何学における流体の流れをシミュレートするための有望なツールであり、幾何やメッシュの定義の変化に適応し、異なる形状の一般化を可能にする。
本稿では3次元Y字ミキサー内の層流をシミュレーションするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
提案手法では,量子モデルの表現力と物理に変形したニューラルネットワークの柔軟性を組み合わせることで,従来のニューラルネットワークよりも21%高い精度を実現する。
計算流体力学における複雑な形状最適化タスクのための機械学習アプローチ,特にハイブリッド量子物理学インフォームドニューラルネットワークの可能性を明らかにする。
複雑な幾何学における流体シミュレーションの精度を向上させることで、ハイブリッド量子モデルを用いた研究はより効率的で信頼性の高い流体力学解法の開発に寄与する。
関連論文リスト
- Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。
LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-08-19T09:14:25Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳（メタデータ） (2023-06-19T06:02:53Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Data-driven modeling of Landau damping by physics-informed neural
networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文 参考訳（メタデータ） (2022-11-02T10:33:38Z) - Fast Aquatic Swimmer Optimization with Differentiable Projective
Dynamics and Neural Network Hydrodynamic Models [23.480913364381664]
水面移動(Aquatic locomotion)は、生物学者や技術者が関心を持つ古典的な流体構造相互作用(FSI)問題である。
本研究では, 変形可能なスイマーの固体構造に対する2次元数値シミュレーションを組み合わせた, FSI に完全微分可能な新しいハイブリッド手法を提案する。
2次元キャランギフォームスイマーにおけるハイブリッドシミュレータの計算効率と微分性を示す。
論文 参考訳（メタデータ） (2022-03-30T15:21:44Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z) - Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文 参考訳（メタデータ） (2020-06-15T20:59:28Z) - Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。
パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
論文 参考訳（メタデータ） (2020-02-24T21:51:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。