論文の概要: Generative Diffusion for 3D Turbulent Flows
- arxiv url: http://arxiv.org/abs/2306.01776v1
- Date: Mon, 29 May 2023 18:20:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-11 13:45:52.056447
- Title: Generative Diffusion for 3D Turbulent Flows
- Title(参考訳): 3次元乱流の生成拡散
- Authors: Marten Lienen, Jan Hansen-Palmus, David L\"udke, Stephan G\"unnemann
- Abstract要約: 任意の3次元測地における強制乱流の最初の生成モデルを提案する。
本研究では, 乱流の予測不可能性を回避し, 高品質なサンプルを作成した。
- 参考スコア(独自算出の注目度): 1.911678487931003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Turbulent flows are well known to be chaotic and hard to predict; however,
their dynamics differ between two and three dimensions. While 2D turbulence
tends to form large, coherent structures, in three dimensions vortices cascade
to smaller and smaller scales. This cascade creates many fast-changing,
small-scale structures and amplifies the unpredictability, making
regression-based methods infeasible. We propose the first generative model for
forced turbulence in arbitrary 3D geometries and introduce a sample quality
metric for turbulent flows based on the Wasserstein distance of the generated
velocity-vorticity distribution. In several experiments, we show that our
generative diffusion model circumvents the unpredictability of turbulent flows
and produces high-quality samples based solely on geometric information.
Furthermore, we demonstrate that our model beats an industrial-grade numerical
solver in the time to generate a turbulent flow field from scratch by an order
of magnitude.
- Abstract(参考訳): 乱流はカオス的で予測が難しいことがよく知られているが、その動力学は2次元と3次元で異なる。
2次元乱流は大きなコヒーレント構造を形成する傾向があるが、3次元の渦はより小さなスケールにカスケードする。
このカスケードは多くの高速で小さな構造を生成し、予測不能を増幅し、回帰ベースのメソッドが実現不可能になる。
任意の3次元幾何学における強制乱流の第一生成モデルを提案し,生成する速度-渦分布のワッサースタイン距離に基づく乱流のサンプル品質測定法を提案する。
いくつかの実験で, 生成拡散モデルが乱流の予測不能を回避し, 幾何学的情報のみに基づいて高品質なサンプルを生成することを示した。
さらに,本モデルが産業用数値計算器に打ち勝つことで,スクラッチから乱流場を桁違いに生成できることを実証した。
関連論文リスト
- Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳(メタデータ) (2023-11-22T15:07:59Z) - Ensemble flow reconstruction in the atmospheric boundary layer from
spatially limited measurements through latent diffusion models [0.32955181898067526]
機械学習技術は、従来、標準的な流体力学問題において、観測されていない流れ領域を再構築してきた。
これらの技術は3次元大気境界層ではまだ実証されていない。
論文 参考訳(メタデータ) (2023-03-01T21:55:10Z) - Convolutional autoencoder for the spatiotemporal latent representation
of turbulence [5.8010446129208155]
乱流の潜在表現を得るために3次元多次元畳み込みオートエンコーダ(CAE)を用いる。
マルチスケールCAEは効率が良く、データを圧縮するための適切な分解よりも10%以下の自由度を必要とする。
提案したディープラーニングアーキテクチャは、データからの乱流の非線形低次モデリングの機会を開放する。
論文 参考訳(メタデータ) (2023-01-31T16:06:54Z) - Minimizing Trajectory Curvature of ODE-based Generative Models [45.89620603363946]
拡散モデル、整流モデル、流れマッチングなどの最近の生成モデルは、生成過程を固定前進過程の時間反転として定義する。
我々は, ODE/SDEシミュレーションを使わずに生成軌道の曲率を最小化するために, 前進過程を効率的に訓練する方法を提案する。
論文 参考訳(メタデータ) (2023-01-27T21:52:03Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。
他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。
そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文 参考訳(メタデータ) (2021-07-24T14:47:22Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳(メタデータ) (2021-04-30T02:15:01Z) - 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) - Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D [4.981834139548193]
本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。
2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。
提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
論文 参考訳(メタデータ) (2020-12-22T09:21:40Z)
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。