論文の概要: LagrangeBench: A Lagrangian Fluid Mechanics Benchmarking Suite

• arxiv url: http://arxiv.org/abs/2309.16342v2
• Date: Sat, 28 Oct 2023 10:58:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 20:01:03.015937
• Title: LagrangeBench: A Lagrangian Fluid Mechanics Benchmarking Suite
• Title（参考訳）: LagrangeBench - ラグランジアン流体力学ベンチマークスイート
• Authors: Artur P. Toshev, Gianluca Galletti, Fabian Fritz, Stefan Adami, Nikolaus A. Adams
• Abstract要約: ラグランジュ粒子問題に対する最初のベンチマークスイートであるLagrangeBenchを紹介する。 A) Smoothed Particle Hydrodynamics (SPH) 法により生成された流体力学データセット(3次元で4つ, 3次元で3つ)。 また,定位置誤差を超えて運動エネルギーMSEやシンクホーン距離などの物理指標を導入している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has been successfully applied to grid-based PDE modeling in various scientific applications. However, learned PDE solvers based on Lagrangian particle discretizations, which are the preferred approach to problems with free surfaces or complex physics, remain largely unexplored. We present LagrangeBench, the first benchmarking suite for Lagrangian particle problems, focusing on temporal coarse-graining. In particular, our contribution is: (a) seven new fluid mechanics datasets (four in 2D and three in 3D) generated with the Smoothed Particle Hydrodynamics (SPH) method including the Taylor-Green vortex, lid-driven cavity, reverse Poiseuille flow, and dam break, each of which includes different physics like solid wall interactions or free surface, (b) efficient JAX-based API with various recent training strategies and three neighbor search routines, and (c) JAX implementation of established Graph Neural Networks (GNNs) like GNS and SEGNN with baseline results. Finally, to measure the performance of learned surrogates we go beyond established position errors and introduce physical metrics like kinetic energy MSE and Sinkhorn distance for the particle distribution. Our codebase is available at https://github.com/tumaer/lagrangebench .
• Abstract（参考訳）: 機械学習はグリッドベースのPDEモデリングに様々な科学的応用で成功している。 しかし、自由曲面や複素物理学の問題に対する好ましいアプローチであるラグランジュ粒子の離散化に基づく学習されたPDE解法は、いまだほとんど探索されていない。 本稿では,ラグランジュ粒子問題に対する最初のベンチマークスイートであるLagrangeBenchについて紹介する。 特に、私たちの貢献は、 (a) テイラー・グリーン渦・蓋駆動キャビティ・逆ポアゼイユ流・ダム破砕を含む平滑粒子流体力学(SPH)法により生成された流体力学データセット(3次元で4つ,3次元で3つ) b) 様々な訓練戦略と近隣3つの探索ルーチンを備えた効率的なJAXベースのAPI (c) GNSやSEGNNのような確立されたグラフニューラルネットワーク(GNN)をベースラインで実装したJAX。 最後に、学習されたサーロゲートの性能を測定するために、確立された位置誤差を超えて、粒子分布の運動エネルギーmseやシンクホーン距離などの物理指標を導入する。 私たちのコードベースはhttps://github.com/tumaer/lagrangebenchで利用可能です。

関連論文リスト

• PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
  我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。 我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。 PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-02T08:54:18Z)
• Towards Universal Mesh Movement Networks [13.450178050669964]
  我々はUniversal Mesh Movement Network (UM2N)を紹介する。 UM2Nは、異なるサイズ分布と構造を持つメッシュを動かすために、非侵入的ゼロショット方式で適用することができる。 本研究では, 実世界の津波シミュレーション事例とともに, 対流法とナビエ・ストークス法に基づく実例について検討した。
  論文  参考訳（メタデータ） (2024-06-29T09:35:12Z)
• JAX-SPH: A Differentiable Smoothed Particle Hydrodynamics Framework [8.977530522693444]
  粒子に基づく流体シミュレーションは、ナヴィエ・ストークス方程式を解くための強力なツールとして登場した。 このような問題を解決するためのツールボックスに機械学習メソッドが最近追加されたことは、品質と速度のトレードオフの境界を押し広げている。 我々は、ディープラーニングフレームワークと互換性のあるラグランジアン流体シミュレータへの道のりを導き、JAX-SPHを提案する。
  論文  参考訳（メタデータ） (2024-03-07T18:53:53Z)
• Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
  平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。 シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。 本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
  論文  参考訳（メタデータ） (2024-02-09T09:40:12Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
  Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。 様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-22T03:45:29Z)
• Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
  科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。 ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。 GNNを用いて計算速度を最大90倍に向上させる。
  論文  参考訳（メタデータ） (2022-06-01T18:48:01Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Neural Vortex Method: from Finite Lagrangian Particles to Infinite Dimensional Eulerian Dynamics [16.563723810812807]
  ニューラル渦法(Neural Vortex Method, NVM)を提案する。 NVMはラグランジアン渦構造とその相互作用力学をニューラルネットワークで記述する。 これら2つのネットワークを渦対速度ポアソン解法で埋め込むことで、正確な流体力学を予測できる。
  論文  参考訳（メタデータ） (2020-06-07T15:12:25Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。