論文の概要: Universal Physics Transformers: A Framework For Efficiently Scaling Neural Operators

• arxiv url: http://arxiv.org/abs/2402.12365v3
• Date: Tue, 08 Oct 2024 12:52:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:28:59.137911
• Title: Universal Physics Transformers: A Framework For Efficiently Scaling Neural Operators
• Title（参考訳）: Universal Physics Transformers: ニューラルネットワークを効率的にスケールするためのフレームワーク
• Authors: Benedikt Alkin, Andreas Fürst, Simon Schmid, Lukas Gruber, Markus Holzleitner, Johannes Brandstetter,
• Abstract要約: ユニバーサル物理変換器(Universal Physics Transformer、UPT)は、幅広い問題に対して効率的かつ統一的な学習パラダイムである。 UPTはグリッドやパーティクルベースの潜在メッシュを使わずに動作し、構造や粒子間の柔軟性を実現する。 メッシュ型流体シミュレーションおよび定常レイノルズ平均Navier-StokesシミュレーションにおけるUTTの適用性と有効性を示した。
• 参考スコア（独自算出の注目度）: 12.165876595927452
• License:
• Abstract: Neural operators, serving as physics surrogate models, have recently gained increased interest. With ever increasing problem complexity, the natural question arises: what is an efficient way to scale neural operators to larger and more complex simulations - most importantly by taking into account different types of simulation datasets. This is of special interest since, akin to their numerical counterparts, different techniques are used across applications, even if the underlying dynamics of the systems are similar. Whereas the flexibility of transformers has enabled unified architectures across domains, neural operators mostly follow a problem specific design, where GNNs are commonly used for Lagrangian simulations and grid-based models predominate Eulerian simulations. We introduce Universal Physics Transformers (UPTs), an efficient and unified learning paradigm for a wide range of spatio-temporal problems. UPTs operate without grid- or particle-based latent structures, enabling flexibility and scalability 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 diverse applicability and efficacy of UPTs in mesh-based fluid simulations, and steady-state Reynolds averaged Navier-Stokes simulations, and Lagrangian-based dynamics.
• Abstract（参考訳）: 物理代理モデルとして機能するニューラル作用素は、最近、関心が高まっている。 ニューラルネットワークを大規模で複雑なシミュレーションにスケールするための効率的な方法は何か – 最も重要なのは,さまざまなタイプのシミュレーションデータセットを考慮することだ。 たとえ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ているため、これは特に興味深い。 トランスフォーマーの柔軟性はドメイン間の統一アーキテクチャを有効にしているが、ニューラル演算子は主に問題固有の設計に従う。 本稿では,幅広い時空間問題に対する効率的かつ統一的な学習パラダイムであるUniversal Physics Transformers(UPTs)を紹介する。 UPTはグリッドやパーティクルベースの潜在構造を使わずに動作し、メッシュやパーティクル間の柔軟性とスケーラビリティを実現する。 UPTは、逆符号化と復号化技術によって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。 メッシュ型流体シミュレーション, 定常レイノルズシミュレーション, ナヴィエ・ストークスシミュレーション, ラグランジアン動力学におけるUTTの多種多様な適用性と有効性を示す。

関連論文リスト

• Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
  複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。 LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2024-08-19T09:14:25Z)
• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• 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)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• 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)
• REMuS-GNN: A Rotation-Equivariant Model for Simulating Continuum Dynamics [0.0]
  本稿では,連続体力学系をシミュレーションする回転同変マルチスケールモデルREMuS-GNNを紹介する。 楕円円柱まわりの非圧縮性流れについて,本手法の実証と評価を行った。
  論文  参考訳（メタデータ） (2022-05-05T16:20:37Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• 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)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。