論文の概要: Geometry-Informed Neural Operator for Large-Scale 3D PDEs
- arxiv url: http://arxiv.org/abs/2309.00583v1
- Date: Fri, 1 Sep 2023 16:59:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 12:49:27.005921
- Title: Geometry-Informed Neural Operator for Large-Scale 3D PDEs
- Title(参考訳): 大規模3次元PDEのための幾何インフォームドニューラル演算子
- Authors: Zongyi Li, Nikola Borislavov Kovachki, Chris Choy, Boyi Li, Jean
Kossaifi, Shourya Prakash Otta, Mohammad Amin Nabian, Maximilian Stadler,
Christian Hundt, Kamyar Azizzadenesheli, Anima Anandkumar
- Abstract要約: 大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
- 参考スコア(独自算出の注目度): 76.06115572844882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose the geometry-informed neural operator (GINO), a highly efficient
approach to learning the solution operator of large-scale partial differential
equations with varying geometries. GINO uses a signed distance function and
point-cloud representations of the input shape and neural operators based on
graph and Fourier architectures to learn the solution operator. The graph
neural operator handles irregular grids and transforms them into and from
regular latent grids on which Fourier neural operator can be efficiently
applied. GINO is discretization-convergent, meaning the trained model can be
applied to arbitrary discretization of the continuous domain and it converges
to the continuum operator as the discretization is refined. To empirically
validate the performance of our method on large-scale simulation, we generate
the industry-standard aerodynamics dataset of 3D vehicle geometries with
Reynolds numbers as high as five million. For this large-scale 3D fluid
simulation, numerical methods are expensive to compute surface pressure. We
successfully trained GINO to predict the pressure on car surfaces using only
five hundred data points. The cost-accuracy experiments show a $26,000 \times$
speed-up compared to optimized GPU-based computational fluid dynamics (CFD)
simulators on computing the drag coefficient. When tested on new combinations
of geometries and boundary conditions (inlet velocities), GINO obtains a
one-fourth reduction in error rate compared to deep neural network approaches.
- Abstract(参考訳): 本稿では,ジオメトリの異なる大規模偏微分方程式の解作用素を学習するための高効率な手法であるgeometry-informed neural operator (gino)を提案する。
GINOは、入力形状の符号付き距離関数と、グラフとフーリエアーキテクチャに基づくニューラル演算子を使用して、ソリューション演算子を学習する。
グラフニューラル演算子は不規則な格子を処理し、それをフーリエニューラル演算子を効率的に適用できる通常の潜在格子に変換する。
GINOは離散化収束であり、訓練されたモデルは連続領域の任意の離散化に適用でき、離散化が洗練されるにつれて連続作用素に収束する。
本手法の性能を大規模シミュレーションで実証的に検証するため,レイノルズ数500万の3次元車両ジオメトリーの業界標準空力データセットを作成した。
この大規模3次元流体シミュレーションでは, 数値計算法は表面圧力を計算するのに高価である。
自動車表面の圧力を500データポイントのみを用いて予測する手法をginoに導入した。
コスト精度実験では、ドラッグ係数の計算に最適化されたGPUベースの計算流体力学(CFD)シミュレータと比較すると、26,000ドル以上のスピードアップが示されている。
ジオメトリと境界条件(入口速度)の新たな組み合わせをテストすると、GINOはディープニューラルネットワークアプローチと比較してエラー率を1/4削減する。
関連論文リスト
- Three-dimensional granular flow simulation using graph neural
network-based learned simulator [2.153852088624324]
グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。
シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。
GNSの速度は300倍の高忠実度数値シミュレータを上回る。
論文 参考訳(メタデータ) (2023-11-13T15:54:09Z) - Zero-Level-Set Encoder for Neural Distance Fields [10.269224726391807]
本稿では,1つの前方パスに3次元形状を埋め込む新しいエンコーダデコーダニューラルネットワークを提案する。
ネットワークはアイコン方程式を解くために訓練されており、訓練と推論のためにゼロレベル集合の知識しか必要としない。
論文 参考訳(メタデータ) (2023-10-10T14:07:37Z) - Smaller3d: Smaller Models for 3D Semantic Segmentation Using Minkowski
Engine and Knowledge Distillation Methods [0.0]
本稿では, 知識蒸留技術, 特に3次元深層学習におけるスパーステンソルを応用して, 性能を維持しつつ, モデルサイズを小さくする手法を提案する。
我々は,異なるスパース畳み込みNNの最先端モデルの性能をシミュレートするために,標準的な手法や様々な損失の組み合わせを含む異なる損失関数を分析し,目的を定めている。
論文 参考訳(メタデータ) (2023-05-04T22:19:25Z) - 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) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - SciAI4Industry -- Solving PDEs for industry-scale problems with deep
learning [1.642765885524881]
ユーザによるHPCインフラストラクチャの管理を必要とせずに,クラウド上で並列にトレーニングデータをシミュレートする分散プログラミングAPIを導入する。
我々は3D Navier-Stokes方程式を解くために大規模ニューラルネットワークを訓練し、多孔質媒質中の3D CO2フローをシミュレーションする。
CO2の例では、商用の炭素捕獲・貯蔵(CCS)プロジェクトに基づくトレーニングデータセットをシミュレートし、従来の数値シミュレータよりも5桁高速で3200倍安い200万以上のセルを持つ3Dグリッド上で、CO2フローシミュレーションのためのニューラルネットワークをトレーニングする。
論文 参考訳(メタデータ) (2022-11-23T05:15:32Z) - Combined space-time reduced-order model with 3D deep convolution for
extrapolating fluid dynamics [4.984601297028257]
近年,深層学習に基づく低次モデルがシミュレーションに有効であることが示されている。
本研究では,ネットワークアーキテクチャを改良し,空間物理学を暗黙のバイアスとして統合することにより,外挿性能の向上を目指す。
3次元畳み込みネットワークの有効性を実証するために, 円柱を過ぎる流れの層流条件におけるベンチマーク問題を考察した。
論文 参考訳(メタデータ) (2022-11-01T07:14:07Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳(メタデータ) (2021-06-01T08:46:04Z) - Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。
バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。
従来のPDEソルバに比べて最大3桁高速である。
論文 参考訳(メタデータ) (2020-10-18T00:34:21Z)
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。