論文の概要: BubbleML: A Multi-Physics Dataset and Benchmarks for Machine Learning
- arxiv url: http://arxiv.org/abs/2307.14623v1
- Date: Thu, 27 Jul 2023 04:47:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 15:50:50.910380
- Title: BubbleML: A Multi-Physics Dataset and Benchmarks for Machine Learning
- Title（参考訳）: bubbleml: 機械学習のためのマルチフィジカルデータセットとベンチマーク
- Authors: Sheikh Md Shakeel Hassan, Arthur Feeney, Akash Dhruv, Jihoon Kim,
Youngjoon Suh, Jaiyoung Ryu, Yoonjin Won, Aparna Chandramowlishwaran
- Abstract要約: このデータセットは、51のシミュレーションを含む様々な重力条件、流量、サブ冷却レベル、壁のスーパーヒートを含む幅広いパラメータをカバーしている。
BubbleMLは、実験的な観察とトレンドに対して検証されており、機械学習(ML)研究の貴重なリソースとして確立されている。
- 参考スコア（独自算出の注目度）: 7.459200525376332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the field of phase change phenomena, the lack of accessible and diverse
datasets suitable for machine learning (ML) training poses a significant
challenge. Existing experimental datasets are often restricted, with limited
availability and sparse ground truth data, impeding our understanding of this
complex multi-physics phenomena. To bridge this gap, we present the BubbleML
Dataset(https://github.com/HPCForge/BubbleML) which leverages physics-driven
simulations to provide accurate ground truth information for various boiling
scenarios, encompassing nucleate pool boiling, flow boiling, and sub-cooled
boiling. This extensive dataset covers a wide range of parameters, including
varying gravity conditions, flow rates, sub-cooling levels, and wall superheat,
comprising 51 simulations. BubbleML is validated against experimental
observations and trends, establishing it as an invaluable resource for ML
research. Furthermore, we showcase its potential to facilitate exploration of
diverse downstream tasks by introducing two benchmarks: (a) optical flow
analysis to capture bubble dynamics, and (b) operator networks for learning
temperature dynamics. The BubbleML dataset and its benchmarks serve as a
catalyst for advancements in ML-driven research on multi-physics phase change
phenomena, enabling the development and comparison of state-of-the-art
techniques and models.
- Abstract（参考訳）: 位相変化現象の分野では、機械学習(ML)トレーニングに適したアクセシビリティと多様なデータセットの欠如が大きな課題となっている。
既存の実験データセットは、可用性の制限と根拠の少ないデータによって、しばしば制限され、この複雑なマルチフィジカルな現象の理解を妨げる。
このギャップを埋めるためにbubblemlデータセット(https://github.com/hpcforge/bubbleml)を提案する。これは物理駆動シミュレーションを利用して、核プール沸騰、フロー沸騰、サブクール沸騰を含む様々な沸騰シナリオの正確な地上真理情報を提供する。
この広範なデータセットは、さまざまな重力条件、流量、サブクーリングレベル、壁過熱を含む、51のシミュレーションを含む幅広いパラメータをカバーしている。
BubbleMLは、実験的な観察とトレンドに対して検証されており、ML研究の貴重なリソースとして確立されている。
さらに,2つのベンチマークを導入することで,多様な下流タスクの探索を容易にする可能性を示す。
a) 気泡力学を捉えるための光学的流れ解析,及び
(b)温度力学の学習のためのオペレータネットワーク。
BubbleMLデータセットとそのベンチマークは、多物理相変化現象に関するML駆動の研究の進展の触媒として機能し、最先端の技術とモデルの開発と比較を可能にする。
関連論文リスト
- FedMLLM: Federated Fine-tuning MLLM on Multimodal Heterogeneity Data [64.50893177169996]
フェデレートラーニング(FL)による微調整型マルチモーダル大言語モデル(MLLM)は、プライベートデータソースを含めることで、トレーニングデータの範囲を拡大することができる。
マルチモーダルなヘテロジニアスシナリオにおけるMLLMのファインチューニングにおける様々なダウンストリームタスクを評価するためのベンチマークを提案する。
我々は,2つのモダリティに依存しない戦略とともに,4つの代表的FL手法を統合する汎用FedMLLMフレームワークを開発した。
論文 参考訳（メタデータ） (2024-11-22T04:09:23Z) - Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network [2.2101344151283944]
現在の数値モデルは、しばしば実験で観測された複雑な細孔スケールの物理学を正確に捉えることができない。
我々は,マイクロCT実験データを用いて,グラフニューラルネットワークを用いた多孔質流体の流れを直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T15:01:17Z) - The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳（メタデータ） (2024-11-18T01:19:37Z) - Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - MMSci: A Dataset for Graduate-Level Multi-Discipline Multimodal Scientific Understanding [59.41495657570397]
このデータセットには、スキーマ図、シミュレーション画像、マクロ/顕微鏡写真、実験的可視化などの図が含まれている。
我々は,6つのプロプライエタリモデルと10以上のオープンソースモデルを評価し,科学的フィギュアキャプションと複数選択質問のベンチマークを開発した。
データセットとベンチマークは、さらなる研究をサポートするためにリリースされる予定だ。
論文 参考訳（メタデータ） (2024-07-06T00:40:53Z) - Accurate machine learning force fields via experimental and simulation
data fusion [0.0]
機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。
ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。
融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
論文 参考訳（メタデータ） (2023-08-17T18:22:19Z) - Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。
我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
論文 参考訳（メタデータ） (2022-06-30T11:39:12Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性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） (2021-10-18T14:43:50Z) - Inferring micro-bubble dynamics with physics-informed deep learning [0.0]
多相流シミュレーションは、計算中にスパースメッシュによって引き起こされる可能性のあるコンポーネント損失のために高い精度を必要とします。
深層ニューラルネットワーク(DNN)とサブネットの3つの主要部分を含む,異なる物理分野を予測する新しいディープラーニングフレームワークであるBubbleNetを提案する。
結果は, 絶対予測誤差を推定することで, 物理分野をより正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-05-15T09:17:56Z) - Deep Learning Interfacial Momentum Closures in Coarse-Mesh CFD Two-Phase
Flow Simulation Using Validation Data [5.099083753474628]
FSM(Feature-Similarity Measurement)を開発し, 粗面CFD法により二相流のシミュレーション性能を向上させる。
FSMは界面閉鎖の選択に関係なく粗いメッシュCFDモデルの予測を大幅に改善することができる。
論文 参考訳（メタデータ） (2020-05-07T21:25:22Z) - Using Deep Learning to Explore Local Physical Similarity for
Global-scale Bridging in Thermal-hydraulic Simulation [4.350727579753697]
現在の熱水和コードでは、実際の植物条件をシミュレートする際の信頼性が制限されている。
本稿では,これらの課題を克服するためのデータ駆動型特徴類似度測定FFSMを提案する。
深層学習は局所的な物理的特徴とシミュレーションエラーの関係の構築と探索に応用される。
論文 参考訳（メタデータ） (2020-01-06T20:14:46Z)
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。