論文の概要: Complete quantum-inspired framework for computational fluid dynamics

• arxiv url: http://arxiv.org/abs/2308.12972v1
• Date: Wed, 2 Aug 2023 18:01:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-03 21:41:46.170349
• Title: Complete quantum-inspired framework for computational fluid dynamics
• Title（参考訳）: 計算流体力学のための完全量子インスピレーションフレームワーク
• Authors: Raghavendra D. Peddinti, Stefano Pisoni, Alessandro Marini, Philippe Lott, Henrique Argentieri, Egor Tiunov and Leandro Aolita
• Abstract要約: 本稿では、メモリと実行時スケーリングをメッシュサイズで多義的に行う非圧縮性流体のフルスタック解法を提案する。 我々のフレームワークは、量子状態の強力な圧縮表現である行列生成状態に基づいている。
• 参考スコア（独自算出の注目度）: 36.136619420474766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational fluid dynamics is both an active research field and a key tool for industrial applications. The central challenge is to simulate turbulent flows in complex geometries, a compute-power intensive task due to the large vector dimensions required by discretized meshes. Here, we propose a full-stack solver for incompressible fluids with memory and runtime scaling polylogarithmically in the mesh size. Our framework is based on matrix-product states, a powerful compressed representation of quantum states. It is complete in that it solves for flows around immersed objects of diverse geometries, with non-trivial boundary conditions, and can retrieve the solution directly from the compressed encoding, i.e. without ever passing through the expensive dense-vector representation. These developments provide a toolbox with potential for radically more efficient simulations of real-life fluid problems.
• Abstract（参考訳）: 計算流体力学(computational fluid dynamics)は、産業応用の重要な研究分野である。 中心的な課題は複雑な幾何学における乱流をシミュレートすることであり、これは離散化されたメッシュが必要とする大きなベクトル次元のために計算力の集中的なタスクである。 本稿では、メモリと実行時スケーリングをメッシュサイズで多義的に行う非圧縮性流体のフルスタック解法を提案する。 我々のフレームワークは、量子状態の強力な圧縮表現である行列生成状態に基づいている。 これは、非自明な境界条件を持つ多様なジオメトリの没入対象のまわりのフローを解き、圧縮符号化から直接解を取得できること、すなわち高価な高密度ベクトル表現を通り抜けることなく完備である。 これらの開発は、実際の流体問題のより効率的なシミュレーションを可能にするツールボックスを提供する。

関連論文リスト

• Quantum Carleman linearisation efficiency in nonlinear fluid dynamics [0.2624902795082451]
  計算流体力学を強化するための有望な道の1つは、量子コンピューティングの利用である。 本稿では,Carleman線形化の効率性を保証する数値パラメータである$R$の接続を提案する。 また,異なる空間次元におけるベクトル場シミュレーションの定式化も導入する。
  論文  参考訳（メタデータ） (2024-10-30T14:32:18Z)
• Quantum-Inspired Fluid Simulation of 2D Turbulence with GPU Acceleration [0.894484621897981]
  本研究では,速度を行列積状態とするNavier-Stokes方程式の解法について検討する。 我々の適応はシミュレーションを最大12.1倍スピードアップさせる。 このアルゴリズムは乱流状態の直接数値シミュレーションに対して潜在的に有利であることがわかった。
  論文  参考訳（メタデータ） (2024-06-25T10:31:20Z)
• Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
  本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。 スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
  論文  参考訳（メタデータ） (2024-02-04T06:37:38Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• 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)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• A fully-differentiable compressible high-order computational fluid dynamics solver [0.0]
  圧縮可能なナビエ・ストークス方程式は圧縮可能な流れを制御し、乱流や衝撃のような複雑な現象を許容する。 ハードウェアとソフトウェアが著しく進歩したにもかかわらず、流体流の最小のスケールでは、現実のアプリケーションでは計算コストが禁じられている。 本稿では,高次数値計算法を用いて圧縮性流体の計算を行うための,完全微分可能な3次元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-09T15:18:51Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• Using Machine Learning to Augment Coarse-Grid Computational Fluid Dynamics Simulations [2.7892067588273517]
  本研究では,高レイノルズ数での乱流の粗いグリッドシミュレーションにより発生する数値誤差を補正する機械学習(ML)手法を提案する。 提案手法は,高分解能な解軌道を得ることができるML-PDEハイブリッド解法である。
  論文  参考訳（メタデータ） (2020-09-30T19:29:21Z)
• Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
  量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。 誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2020-04-15T05:16:24Z)

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。