論文の概要: Turbulent Flow Simulation using Autoregressive Conditional Diffusion
Models
- arxiv url: http://arxiv.org/abs/2309.01745v1
- Date: Mon, 4 Sep 2023 18:01:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 17:41:43.532407
- Title: Turbulent Flow Simulation using Autoregressive Conditional Diffusion
Models
- Title(参考訳): 自己回帰条件拡散モデルを用いた乱流シミュレーション
- Authors: Georg Kohl, Li-Wei Chen, Nils Thuerey
- Abstract要約: 本研究では,条件付き拡散モデルに基づく自己回帰ロールアウトを利用した完全データ駆動型流体解法を提案する。
このアプローチは,他の学習ベースラインと比較して,ロールアウト安定性の面で明らかな優位性を示すことを示す。
非圧縮性, 非音速流, 等方性乱流など, 難易度の高いシナリオにおいて, 提案手法の性能を定量的に定性的に評価する。
- 参考スコア(独自算出の注目度): 29.806100463356906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating turbulent flows is crucial for a wide range of applications, and
machine learning-based solvers are gaining increasing relevance. However,
achieving stability when generalizing to longer rollout horizons remains a
persistent challenge for learned PDE solvers. We address this challenge by
introducing a fully data-driven fluid solver that utilizes an autoregressive
rollout based on conditional diffusion models. We show that this approach
offers clear advantages in terms of rollout stability compared to other learned
baselines. Remarkably, these improvements in stability are achieved without
compromising the quality of generated samples, and our model successfully
generalizes to flow parameters beyond the training regime. Additionally, the
probabilistic nature of the diffusion approach allows for inferring predictions
that align with the statistics of the underlying physics. We quantitatively and
qualitatively evaluate the performance of our method on a range of challenging
scenarios, including incompressible and transonic flows, as well as isotropic
turbulence.
- Abstract(参考訳): 乱流のシミュレーションは、幅広いアプリケーションにとって不可欠であり、機械学習ベースの解法は、ますます関連性を高めつつある。
しかしながら、より長いロールアウトホライズンズに一般化することで安定性を達成することは、学習したpdeソルバにとって永続的な課題である。
我々は,条件拡散モデルに基づく自己回帰的ロールアウトを利用した完全データ駆動型流体ソルバを導入することで,この問題に対処した。
このアプローチは,他の学習ベースラインと比較して,ロールアウト安定性という点で明らかなメリットがあることを示す。
これらの安定性の向上は、生成したサンプルの品質を損なうことなく達成され、我々のモデルは、トレーニング体制を超えたフローパラメータにうまく一般化する。
さらに、拡散アプローチの確率論的性質は、基礎となる物理学の統計と一致する予測を推測することができる。
非圧縮性, 非音速流, 等方性乱流など, 様々な困難シナリオにおいて, 提案手法の性能を定量的に定性的に評価する。
関連論文リスト
- Bayesian Conditional Diffusion Models for Versatile Spatiotemporal
Turbulence Generation [13.278744447861289]
本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。
提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。
数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
論文 参考訳(メタデータ) (2023-11-14T04:08:14Z) - DYffusion: A Dynamics-informed Diffusion Model for Spatiotemporal
Forecasting [18.86526240105348]
本稿では,確率的予測のための拡散モデルを効率的に訓練する手法を提案する。
我々は,標準拡散モデルの前方および逆過程を模倣する時間条件補間器と予測器ネットワークを訓練する。
本手法は, 海面温度, ナビエ-ストークス流, および湧水系の複雑な力学の確率論的予測を競合的に行う。
論文 参考訳(メタデータ) (2023-06-03T02:46:31Z) - Flow Matching for Scalable Simulation-Based Inference [20.182658224439688]
流れマッチング後推定 (FMPE) は連続正規化フローを用いたシミュレーションベース推論 (SBI) の手法である。
FMPEは,確立されたSBIベンチマーク上での競合性能を示し,その改善されたスケーラビリティを挑戦的な科学的問題で実証する。
論文 参考訳(メタデータ) (2023-05-26T18:00:01Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。
本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。
本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
論文 参考訳(メタデータ) (2021-04-09T14:30:35Z) - Short- and long-term prediction of a chaotic flow: A physics-constrained
reservoir computing approach [5.37133760455631]
乱流せん断流モデルにおける極端な事象や長期速度統計を時間精度で予測する,貯留層計算に基づく物理制約型機械学習手法を提案する。
両手法の組み合わせは, 乱流の自己持続過程モデルにおいて, 速度統計を正確に再現し, 極端な事象の発生と振幅を予測することができることを示す。
論文 参考訳(メタデータ) (2021-02-15T12:29:09Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z)
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。