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

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
  同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。 本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
  論文  参考訳（メタデータ） (2024-05-23T13:37:26Z)
• 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)
• 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)
• 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)
• 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。