論文の概要: A multiscale and multicriteria Generative Adversarial Network to
synthesize 1-dimensional turbulent fields
- arxiv url: http://arxiv.org/abs/2307.16580v1
- Date: Mon, 31 Jul 2023 11:34:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 14:52:31.442983
- Title: A multiscale and multicriteria Generative Adversarial Network to
synthesize 1-dimensional turbulent fields
- Title(参考訳): 1次元乱流場を合成するマルチスケール・マルチ基準生成適応ネットワーク
- Authors: Carlos Granero-Belinchon (ODYSSEY, IMT Atlantique - MEE,
Lab-STICC\_OSE), Manuel Cabeza Gallucci (IMT Atlantique - MEE)
- Abstract要約: 本稿では,乱流速度統計量を持つ1次元場を生成するニューラルネットワークモデルを提案する。
モデル構造と訓練手順は、完全に発達した乱流のコルモゴロフとオブホフ統計理論に基づいている。
模型の訓練にはモード風洞の格子乱流からの乱流速度信号を用いる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article introduces a new Neural Network stochastic model to generate a
1-dimensional stochastic field with turbulent velocity statistics. Both the
model architecture and training procedure ground on the Kolmogorov and Obukhov
statistical theories of fully developed turbulence, so guaranteeing
descriptions of 1) energy distribution, 2) energy cascade and 3) intermittency
across scales in agreement with experimental observations. The model is a
Generative Adversarial Network with multiple multiscale optimization criteria.
First, we use three physics-based criteria: the variance, skewness and flatness
of the increments of the generated field that retrieve respectively the
turbulent energy distribution, energy cascade and intermittency across scales.
Second, the Generative Adversarial Network criterion, based on reproducing
statistical distributions, is used on segments of different length of the
generated field. Furthermore, to mimic multiscale decompositions frequently
used in turbulence's studies, the model architecture is fully convolutional
with kernel sizes varying along the multiple layers of the model. To train our
model we use turbulent velocity signals from grid turbulence at Modane wind
tunnel.
- Abstract(参考訳): 本稿では,乱流速度統計量を持つ1次元確率場を生成するニューラルネットワーク確率モデルを提案する。
モデルアーキテクチャと訓練手順は、コルモゴロフとオボホフの完全な発達した乱流の統計理論に基づいているため、記述を保証している。
1)エネルギー分布
2)エネルギーカスケードと
3)実験的な観察と一致した規模での断続性。
このモデルは、複数スケールの最適化基準を持つジェネレーティブ・アドバイサル・ネットワークである。
まず, 乱流エネルギー分布, エネルギーカスケード, スケール間の断続性をそれぞれ取得する生成場のインクリメントのばらつき, 歪, 平坦性の3つの物理基準を用いる。
第2に、生成したフィールドの長さの異なるセグメントに対して、再生統計分布に基づく生成逆ネットワーク基準を用いる。
さらに、乱流の研究で頻繁に使われるマルチスケールの分解を模倣するために、モデルアーキテクチャはモデルの複数の層に沿って変化するカーネルサイズと完全に共進化する。
モデルのトレーニングにはモダネ風洞の格子乱流からの乱流速度信号を使用します。
関連論文リスト
- Synthetic Lagrangian Turbulence by Generative Diffusion Models [6.128591228954929]
高レイノルズ数での3次元乱流における単一粒子軌道生成のための機械学習手法を提案する。
本モデルは,時間スケール全体にわたって,関連するすべての統計ベンチマークを定量的に再現する能力を示す。
これは、ラグランジアン乱流の様々な下流の応用を事前訓練するための、合成された高品質なデータセットを作成する方法である。
論文 参考訳(メタデータ) (2023-07-17T14:42:32Z) - Accurate generation of stochastic dynamics based on multi-model
Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Networks)は、テキストや画像生成などの分野において大きな可能性を秘めている。
ここでは、格子上の原型過程に適用することにより、このアプローチを定量的に検証する。
重要なことに、ノイズにもかかわらずモデルの離散性は維持される。
論文 参考訳(メタデータ) (2023-05-25T10:41:02Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。
本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
論文 参考訳(メタデータ) (2023-01-18T11:29:49Z) - Effective Dynamics of Generative Adversarial Networks [16.51305515824504]
GAN(Generative Adversarial Network)は、新しいサンプルを生成するために対人訓練を使用する機械学習モデルのクラスである。
モード崩壊と呼ばれるトレーニング失敗の1つの主要な形態は、ジェネレータがターゲット確率分布におけるモードの完全な多様性を再現できないことである。
本稿では,ジェネレータニューラルネットワークを出力空間内の粒子の集合に置き換えることで,学習ダイナミクスを捕捉するGANトレーニングの効果的なモデルを提案する。
論文 参考訳(メタデータ) (2022-12-08T22:04:01Z) - Neural network based generation of a 1-dimensional stochastic field with
turbulent velocity statistics [0.0]
本研究では,乱流速度統計量を持つ1次元場を生成する完全畳み込みニューラルネットワークモデルNN-Turbについて検討する。
我々のモデルは、乱流データと決して接触せず、トレーニングのためにスケールを越えた構造関数の所望の統計的挙動のみを必要とする。
論文 参考訳(メタデータ) (2022-11-21T15:32:19Z) - Super-model ecosystem: A domain-adaptation perspective [101.76769818069072]
本稿では,ドメイン適応による新たなスーパーモデルパラダイムの理論的基礎を確立することを試みる。
スーパーモデルパラダイムは、計算とデータコストと二酸化炭素排出量を減らすのに役立つ。
論文 参考訳(メタデータ) (2022-08-30T09:09:43Z) - Wavelet Conditional Renormalization Group [7.775545390766461]
実験やシミュレーションで観測されたフィールドや構成のデータセットから高次元確率分布を推定するマルチスケールな手法を開発した。
我々の手法であるウェーブレット条件再正規化群(WC-RG)は、粗い磁場によって条件付けられた「高速な自由度」の条件確率のモデルからスケールを推定する。
論文 参考訳(メタデータ) (2022-07-11T15:18:08Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳(メタデータ) (2022-04-19T10:51:00Z) - Towards a Numerical Proof of Turbulence Closure [58.720142291102135]
本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。
本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
論文 参考訳(メタデータ) (2022-02-18T16:31:57Z) - Stochastic normalizing flows as non-equilibrium transformations [62.997667081978825]
正規化フローは従来のモンテカルロシミュレーションよりも効率的に格子場理論をサンプリングするための経路を提供することを示す。
本稿では,この拡張された生成モデルの効率を最適化する戦略と応用例を示す。
論文 参考訳(メタデータ) (2022-01-21T19:00:18Z)
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。