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

• Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows [0.0]
  本研究では,グラフニューラルネットワーク(GNN)とReynolds-Averaged Navier Stokes(RANS)方程式を組み合わせた新しいハイブリッド手法を提案する。 その結果, 純粋なデータ駆動モデルと比較して, 再構成平均流の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• Conditional diffusions for neural posterior estimation [8.37884129644711]
  NPEの正規化フローの代替として条件拡散の有効性を示す。 その結果,より単純で浅いモデルであっても,安定性の向上,精度の向上,トレーニング時間の短縮が得られた。
  論文  参考訳（メタデータ） (2024-10-24T19:13:13Z)
• Spectral-Refiner: Fine-Tuning of Accurate Spatiotemporal Neural Operator for Turbulent Flows [6.961408873053586]
  本稿では,ボヒナー空間間のマップを学習する新しい時間的ニューラル演算子(SFNO)と,これらの問題に対処する新しい学習フレームワークを提案する。 この新しいパラダイムは、従来の数値PDE理論と技法の知恵を利用して、一般的に採用されているエンドツーエンドのニューラル演算子のトレーニングと評価のパイプラインを洗練する。 2次元NSEのための一般的なベンチマークの数値実験は、エンドツーエンド評価や従来の数値PDEソルバと比較して計算効率と精度の両方が大幅に向上した。
  論文  参考訳（メタデータ） (2024-05-27T14:33:06Z)
• 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)
• 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。