論文の概要: CFDBench: A Large-Scale Benchmark for Machine Learning Methods in Fluid
Dynamics
- arxiv url: http://arxiv.org/abs/2310.05963v2
- Date: Fri, 23 Feb 2024 16:39:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 17:57:17.468413
- Title: CFDBench: A Large-Scale Benchmark for Machine Learning Methods in Fluid
Dynamics
- Title(参考訳): CFDBench:流体力学における機械学習手法の大規模ベンチマーク
- Authors: Yining Luo, Yingfa Chen, Zhen Zhang
- Abstract要約: CFDBenchは、計算流体力学問題のトレーニング後のニューラル演算子の一般化能力を評価するためのベンチマークである。
データには、速度と圧力場の合計302Kフレームが含まれており、それぞれ異なる条件パラメータを持つ739のケースが含まれている。
CFDBnech上でのフィードフォワードネットワーク,DeepONet,FNO,U-Netなどのニューラルネットワークの有効性を評価する。
- 参考スコア(独自算出の注目度): 3.5515897147281765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, applying deep learning to solve physics problems has
attracted much attention. Data-driven deep learning methods produce fast
numerical operators that can learn approximate solutions to the whole system of
partial differential equations (i.e., surrogate modeling). Although these
neural networks may have lower accuracy than traditional numerical methods,
they, once trained, are orders of magnitude faster at inference. Hence, one
crucial feature is that these operators can generalize to unseen PDE parameters
without expensive re-training.In this paper, we construct CFDBench, a benchmark
tailored for evaluating the generalization ability of neural operators after
training in computational fluid dynamics (CFD) problems. It features four
classic CFD problems: lid-driven cavity flow, laminar boundary layer flow in
circular tubes, dam flows through the steps, and periodic Karman vortex street.
The data contains a total of 302K frames of velocity and pressure fields,
involving 739 cases with different operating condition parameters, generated
with numerical methods. We evaluate the effectiveness of popular neural
operators including feed-forward networks, DeepONet, FNO, U-Net, etc. on
CFDBnech by predicting flows with non-periodic boundary conditions, fluid
properties, and flow domain shapes that are not seen during training.
Appropriate modifications were made to apply popular deep neural networks to
CFDBench and enable the accommodation of more changing inputs. Empirical
results on CFDBench show many baseline models have errors as high as 300% in
some problems, and severe error accumulation when performing autoregressive
inference. CFDBench facilitates a more comprehensive comparison between
different neural operators for CFD compared to existing benchmarks.
- Abstract(参考訳): 近年,深層学習を物理学問題に適用する動きが注目されている。
データ駆動型ディープラーニングは、偏微分方程式(すなわち代理モデリング)の系全体の近似解を学習できる高速数値演算を生成する。
これらのニューラルネットワークは、従来の数値法よりも精度が低いかもしれないが、一度訓練されると、推論において桁違いに高速になる。
そこで,本稿では,計算流体力学(CFD)問題における学習後のニューラル演算子の一般化能力を評価するためのベンチマークであるCFDBenchを構築する。
古典的なcfd問題として、蓋駆動キャビティフロー、円管内の層境界層フロー、ステップを流れるダム流、周期的なカルマン渦通りがある。
このデータには合計302kフレームの速度と圧力場が含まれており、数値的な手法で739の異なる動作条件パラメータを含む。
CFDBnech上でのフィードフォワードネットワーク,DeepONet,FNO,U-Netなどのニューラルネットワークの有効性を,非周期境界条件のフロー,流体特性,トレーニング中に見えないフロー領域形状の予測により評価した。
CFDBenchに人気のあるディープニューラルネットワークを適用し、より変化する入力の収容を可能にする適切な修正が行われた。
CFDBenchにおける実験結果から,多くのベースラインモデルでは,いくつかの問題において最大300%の誤差があり,自己回帰的推論を行う場合のエラー蓄積が深刻であることがわかった。
CFDBenchは、既存のベンチマークと比較して、CFDの異なるニューラル演算子間のより包括的な比較を容易にする。
関連論文リスト
- Neural Network with Local Converging Input (NNLCI) for Supersonic Flow
Problems with Unstructured Grids [0.9152133607343995]
非構造データを用いた高忠実度予測のための局所収束入力(NNLCI)を用いたニューラルネットワークを開発した。
また, NNLCI法を用いて, バンプを有するチャネル内の超音速流の可視化を行った。
論文 参考訳(メタデータ) (2023-10-23T19:03:37Z) - The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。
FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。
我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文 参考訳(メタデータ) (2023-03-17T02:01:11Z) - Boosting Low-Data Instance Segmentation by Unsupervised Pre-training
with Saliency Prompt [103.58323875748427]
この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。
近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。
実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-02-02T15:49:03Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳(メタデータ) (2021-09-29T07:46:54Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Finite volume method network for acceleration of unsteady computational
fluid dynamics: non-reacting and reacting flows [0.0]
CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。
反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
論文 参考訳(メタデータ) (2021-05-07T15:33:49Z) - Local Extreme Learning Machines and Domain Decomposition for Solving
Linear and Nonlinear Partial Differential Equations [0.0]
本稿では線形偏微分方程式と非線形偏微分方程式の解法を提案する。
この手法は、極端学習機械(ELM)、ドメイン分解、局所ニューラルネットワークのアイデアを組み合わせたものである。
本稿では,DGM法(Deep Galerkin Method)とPINN(Physical-informed Neural Network)を精度と計算コストの観点から比較する。
論文 参考訳(メタデータ) (2020-12-04T23:19:39Z) - Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。
これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。
実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文 参考訳(メタデータ) (2020-11-14T09:51:51Z) - DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep
Convolutional Neural Networks [5.380828749672078]
DeepCFDは畳み込みニューラルネットワーク(CNN)ベースのモデルであり、非一様定常層流問題に対する解を効率的に近似する。
DeepCFDを用いることで、標準CFD手法と比較して最大3桁の高速化を低エラー率で実現した。
論文 参考訳(メタデータ) (2020-04-19T12:00:37Z)
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。