論文の概要: Turbulence Scaling from Deep Learning Diffusion Generative Models

• arxiv url: http://arxiv.org/abs/2311.06112v1
• Date: Fri, 10 Nov 2023 15:27:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 14:53:36.230550
• Title: Turbulence Scaling from Deep Learning Diffusion Generative Models
• Title（参考訳）: ディープラーニング拡散生成モデルからの乱流スケーリング
• Authors: Tim Whittaker and Romuald A. Janik and Yaron Oz
• Abstract要約: 拡散モデルを用いて乱流渦分布の分布を学習する。 圧縮不能なNavier-Stokes方程式に対する乱流解のスナップショットを生成する。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex spatial and temporal structures are inherent characteristics of turbulent fluid flows and comprehending them poses a major challenge. This comprehesion necessitates an understanding of the space of turbulent fluid flow configurations. We employ a diffusion-based generative model to learn the distribution of turbulent vorticity profiles and generate snapshots of turbulent solutions to the incompressible Navier-Stokes equations. We consider the inverse cascade in two spatial dimensions and generate diverse turbulent solutions that differ from those in the training dataset. We analyze the statistical scaling properties of the new turbulent profiles, calculate their structure functions, energy power spectrum, velocity probability distribution function and moments of local energy dissipation. All the learnt scaling exponents are consistent with the expected Kolmogorov scaling and have lower errors than the training ones. This agreement with established turbulence characteristics provides strong evidence of the model's capability to capture essential features of real-world turbulence.
• Abstract（参考訳）: 複雑な空間構造と時間構造は乱流の固有特性であり、それらを分解することが大きな課題となる。 この相補性は乱流構成の空間の理解を必要とする。 拡散モデルを用いて乱流渦の分布を学習し,非圧縮性ナビエ・ストークス方程式に対する乱流解のスナップショットを生成する。 逆カスケードを2つの空間次元で検討し、トレーニングデータセットとは異なる多様な乱流解を生成する。 我々は,新しい乱流プロファイルの統計的スケーリング特性を分析し,その構造関数,エネルギーパワースペクトル,速度分布関数,局所エネルギー散逸のモーメントを計算した。 学習したスケーリング指数はすべて、期待されるKolmogorovスケーリングと一致しており、トレーニングよりもエラーが少ない。 確立された乱流特性とのこの合意は、モデルが現実世界の乱流の本質的な特徴を捉える能力の強い証拠となる。

関連論文リスト

• Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
  本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。 近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
  論文  参考訳（メタデータ） (2024-10-31T14:26:10Z)
• Generative AI for fast and accurate Statistical Computation of Fluids [21.820160898966055]
  本稿では,高速で正確で頑健な統計計算の課題に対処する生成AIアルゴリズムを提案する。 GenCFDと呼ばれる我々のアルゴリズムは条件付きスコアベース拡散モデルに基づいている。
  論文  参考訳（メタデータ） (2024-09-27T00:26:18Z)
• Single-snapshot machine learning for super-resolution of turbulence [0.0]
  非線形機械学習技術は、乱流の単一スナップショットから物理的洞察を効果的に抽出することができる。 本研究では,1スナップショットのみから抽出したフロータイルを用いて学習した機械学習モデルを用いて,レイノルズ数の範囲で渦構造を再構築可能であることを示す。 この研究は、機械学習の実践者が乱流データに浪費するのを阻止することを望んでいる。
  論文  参考訳（メタデータ） (2024-09-07T22:13:26Z)
• Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
  本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。 提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。 この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-06-17T10:21:01Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• Convolutional autoencoder for the spatiotemporal latent representation of turbulence [5.8010446129208155]
  乱流の潜在表現を得るために3次元多次元畳み込みオートエンコーダ(CAE)を用いる。 マルチスケールCAEは効率が良く、データを圧縮するための適切な分解よりも10%以下の自由度を必要とする。 提案したディープラーニングアーキテクチャは、データからの乱流の非線形低次モデリングの機会を開放する。
  論文  参考訳（メタデータ） (2023-01-31T16:06:54Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• A Numerical Proof of Shell Model Turbulence Closure [41.94295877935867]
  本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。 本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
  論文  参考訳（メタデータ） (2022-02-18T16:31:57Z)
• Flowformer: Linearizing Transformers with Conservation Flows [77.25101425464773]
  本研究では,フローネットワーク理論に基づくインダクティブバイアスのないトランスフォーマーを線形化する。 ソースコンペティション用シンクの流入流と、シンクアロケーション用ソースの流出流をそれぞれ保存することにより、フローアテンションは本質的に情報的注意を発生させる。
  論文  参考訳（メタデータ） (2022-02-13T08:44:10Z)
• Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
  品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。 計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。 本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
  論文  参考訳（メタデータ） (2021-05-10T10:45:28Z)
• Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
  本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。 エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。 入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
  論文  参考訳（メタデータ） (2020-06-16T15:07:25Z)

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。