Fugu-MT 論文翻訳(概要): Towards Long-Term predictions of Turbulence using Neural Operators

論文の概要: Towards Long-Term predictions of Turbulence using Neural Operators

arxiv url: http://arxiv.org/abs/2307.13517v1
Date: Tue, 25 Jul 2023 14:09:53 GMT
ステータス: 処理完了
システム内更新日: 2023-07-26 16:45:04.208469
Title: Towards Long-Term predictions of Turbulence using Neural Operators
Title（参考訳）: ニューラル演算子を用いた乱流の長期予測に向けて
Authors: Fernando Gonzalez, Fran\c{c}ois-Xavier Demoulin, Simon Bernard
Abstract要約: 機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
参考スコア（独自算出の注目度）: 68.8204255655161
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper explores Neural Operators to predict turbulent flows, focusing on the Fourier Neural Operator (FNO) model. It aims to develop reduced-order/surrogate models for turbulent flow simulations using Machine Learning. Different model configurations are analyzed, with U-NET structures (UNO and U-FNET) performing better than the standard FNO in accuracy and stability. U-FNET excels in predicting turbulence at higher Reynolds numbers. Regularization terms, like gradient and stability losses, are essential for stable and accurate predictions. The study emphasizes the need for improved metrics for deep learning models in fluid flow prediction. Further research should focus on models handling complex flows and practical benchmarking metrics.
Abstract（参考訳）: 本稿では,FNOモデルに着目し,乱流予測のためのニューラル演算子について検討する。機械学習を用いた乱流シミュレーションのための低次・サーロゲートモデルの開発を目標としている。 U-NET構造(UNOとU-FNET)は、精度と安定性において標準FNOよりも優れている。 u-fnetは高レイノルズ数での乱流の予測に優れている。勾配や安定性の損失のような正規化項は、安定かつ正確な予測に不可欠である。この研究は、流体流予測におけるディープラーニングモデルのメトリクスの改善の必要性を強調している。さらに研究は、複雑なフローと実用的なベンチマークメトリクスを扱うモデルに焦点を当てるべきである。

関連論文リスト

From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文参考訳（メタデータ） (2023-11-27T21:37:50Z)
Differential Evolution Algorithm based Hyper-Parameters Selection of Transformer Neural Network Model for Load Forecasting [0.0]
トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
論文参考訳（メタデータ） (2023-07-28T04:29:53Z)
Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文参考訳（メタデータ） (2023-01-19T20:04:36Z)
Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文参考訳（メタデータ） (2022-11-09T23:40:52Z)
Towards prediction of turbulent flows at high Reynolds numbers using high performance computing data and deep learning [0.39146761527401425]
乱流の理解とモデル化に適したGAN(generative adversarial network)について論じる。ワッサースタイン GAN (WGAN) は小さな乱流を生成するために選択される。 DNS乱流データを用いてWGANのトレーニングを行い,学習率や損失関数などのネットワークパラメータの影響について検討した。
論文参考訳（メタデータ） (2022-10-28T13:14:06Z)
Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
論文参考訳（メタデータ） (2022-04-08T19:19:42Z)
Predicting the temporal dynamics of turbulent channels through deep learning [0.0]
最小乱流チャネル流の時間的進化を再現するニューラルネットワークの能力を評価することを目的としている。長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
論文参考訳（メタデータ） (2022-03-02T09:31:03Z)
Deep Learning to advance the Eigenspace Perturbation Method for Turbulence Model Uncertainty Quantification [0.0]
乱流モデル予測における不確実性を予測するため,固有空間摂動法(Eigenspace Perturbation Method)の活用を支援する機械学習手法の概要を述べる。我々は、トレーニングニューラルネットワークを用いて、レイノルズ応力楕円体を予測したRANSの形状の相違を予測する。
論文参考訳（メタデータ） (2022-02-11T08:06:52Z)
Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文参考訳（メタデータ） (2021-06-24T01:40:17Z)
Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。彼らは不利な姿勢と収束の不安定さに悩まされる。本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
論文参考訳（メタデータ） (2021-06-06T18:05:02Z)

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。