論文の概要: A multiscale and multicriteria Generative Adversarial Network to synthesize 1-dimensional turbulent fields
- arxiv url: http://arxiv.org/abs/2307.16580v2
- Date: Wed, 15 May 2024 11:49:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-16 18:31:50.438321
- 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, Manuel Cabeza Gallucci,
- 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新しい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、完全に発達した乱流のコルモゴロフ統計理論とオブホフ統計理論に基づいており、したがって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, 歪み, 平坦さの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。
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。
関連論文リスト
- Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Synthetic Lagrangian Turbulence by Generative Diffusion Models [1.7810134788247751]
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。
我々のモデルは、時間スケールでほとんどの統計ベンチマークを再現する能力を示している。
驚くべきことに、このモデルは極端な事象に対して強い一般化可能性を示し、依然として現実的な統計に合致する高い強度と希薄な事象を生み出している。
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) - 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)
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。