論文の概要: Universal Physics Transformers
- arxiv url: http://arxiv.org/abs/2402.12365v1
- Date: Mon, 19 Feb 2024 18:52:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 14:55:06.479894
- Title: Universal Physics Transformers
- Title(参考訳): ユニバーサル物理変換器
- Authors: Benedikt Alkin and Andreas F\"urst and Simon Schmid and Lukas Gruber
and Markus Holzleitner and Johannes Brandstetter
- Abstract要約: 本稿では,幅広い時間的問題をモデル化する新しい学習パラダイムであるUniversal Physics Transformers(UPTs)を紹介する。
UPTはグリッドまたはパーティクルベースの潜在構造なしで動作し、メッシュとパーティクル間の柔軟性を実現する。
メッシュ系流体シミュレーション, 定常レイノルズ平均Navier-Stokesシミュレーション, ラグランジアン動力学におけるUTTの有効性を実証した。
- 参考スコア(独自算出の注目度): 13.328631403381797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural network based surrogates for partial differential equations have
recently gained increased interest. However, akin to their numerical
counterparts, different techniques are used across applications, even if the
underlying dynamics of the systems are similar. A prominent example is the
Lagrangian and Eulerian specification in computational fluid dynamics, posing a
challenge for neural networks to effectively model particle- as opposed to
grid-based dynamics. We introduce Universal Physics Transformers (UPTs), a
novel learning paradigm which models a wide range of spatio-temporal problems -
both for Lagrangian and Eulerian discretization schemes. UPTs operate without
grid- or particle-based latent structures, enabling flexibility across meshes
and particles. UPTs efficiently propagate dynamics in the latent space,
emphasized by inverse encoding and decoding techniques. Finally, UPTs allow for
queries of the latent space representation at any point in space-time. We
demonstrate the efficacy of UPTs in mesh-based fluid simulations, steady-state
Reynolds averaged Navier-Stokes simulations, and Lagrangian-based dynamics.
Project page: https://ml-jku.github.io/UPT
- Abstract(参考訳): 偏微分方程式に対するディープニューラルネットワークに基づくサロゲートは近年、関心が高まっている。
しかし、数値的な手法と同様に、システムの基盤となるダイナミクスが似ているとしても、アプリケーション間で異なるテクニックが使用される。
有名な例として、計算流体力学におけるラグランジアンとオイラーの仕様があり、グリッドベースの力学とは対照的に、ニューラルネットワークが粒子を効果的にモデル化することが課題となっている。
我々は、ラグランジアンおよびユーレリアの離散化スキームに対して、幅広い時空間問題をモデル化する新しい学習パラダイムであるUniversal Physics Transformers (UPTs)を紹介する。
uptはグリッドや粒子ベースの潜入構造なしで動作し、メッシュや粒子にまたがる柔軟性を実現する。
UPTは、逆符号化と復号法で強調される潜在空間のダイナミクスを効率的に伝播する。
最後に、UTTは時空の任意の時点における潜在空間表現のクエリを可能にする。
メッシュ系流体シミュレーション, 定常レイノルズ平均Navier-Stokesシミュレーション, ラグランジアン動力学におけるUTTの有効性を示す。
プロジェクトページ: https://ml-jku.github.io/upt
関連論文リスト
- Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [11.179073198104504]
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) - EuLagNet: Eulerian Fluid Prediction with Lagrangian Dynamics [71.21948217845167]
本稿では, タングルサム流体力学に対処する新しいラグランジアン誘導パラダイムを提案する。
ユーレリア観測に基づいて未来を予測するのではなく、ユーレリア・ラグランジアンデュアルリカレントネットワーク(EuLagNet)を提案する。
EuLagNetは、適応サンプリングされたキー粒子の複数のスケールでの運動を追跡することで、マルチスケールの流体力学をキャプチャする。
論文 参考訳(メタデータ) (2024-02-04T09:45:35Z) - 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) - 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) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳(メタデータ) (2021-04-30T02:14:00Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳(メタデータ) (2021-04-22T19:20:47Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - AdvectiveNet: An Eulerian-Lagrangian Fluidic reservoir for Point Cloud
Processing [14.160687527074858]
本稿では,流体力学における自然流現象を動機とした点雲処理のための物理に着想を得たディープラーニング手法を提案する。
我々の学習アーキテクチャは、静的背景格子とラグランジアン物質空間を用いて、移動粒子を用いてユーレリア世界のデータを共同で定義する。
本研究では,様々なポイントクラウドの分類とセグメンテーション問題を最先端性能で解くことで,本システムの有効性を実証する。
論文 参考訳(メタデータ) (2020-02-01T01:21:05Z)
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。