論文の概要: BubbleML: A Multi-Physics Dataset and Benchmarks for Machine Learning
- arxiv url: http://arxiv.org/abs/2307.14623v2
- Date: Fri, 25 Aug 2023 03:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 16:52:28.744961
- 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、様々な重力条件、流量、サブ冷却レベル、そして79のシミュレーションを含む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。
本稿では, (a) 気泡力学を捉えるための光フロー解析と (b) 温度力学を学習するための演算子ネットワークという2つのベンチマークを導入することで, 下流タスクの探索を容易にする可能性を示す。
- 参考スコア(独自算出の注目度): 15.681756756338546
- 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 multiphysics phenomena. To bridge this gap, we present the BubbleML
Dataset
\footnote{\label{git_dataset}\url{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 79 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
multiphysics 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しばしば制限され、可用性が低く、根拠なきデータが乏しいため、この複雑な多物理現象の理解が妨げられる。
このギャップを埋めるために、BubbleML Dataset \footnote{\label{git_dataset}\url{https://github.com/HPCForge/BubbleML}}を紹介します。
この広範なデータセットは、79のシミュレーションを含む、様々な重力条件、流量、サブクーリングレベル、壁過熱を含む、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
- 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) - ClimSim: A large multi-scale dataset for hybrid physics-ML climate
emulation [89.29389098578194]
物理と機械学習(ML)を組み合わせたハイブリッドな手法は、新しい世代の高忠実度気候シミュレータを導入した。
ClimSimは、ハイブリッドML物理研究のために設計された、史上最大のデータセットである。
論文 参考訳(メタデータ) (2023-06-14T21:26:31Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - 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) - 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) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - 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。