論文の概要: JAX-SPH: A Differentiable Smoothed Particle Hydrodynamics Framework
- arxiv url: http://arxiv.org/abs/2403.04750v1
- Date: Thu, 7 Mar 2024 18:53:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 12:55:32.796191
- Title: JAX-SPH: A Differentiable Smoothed Particle Hydrodynamics Framework
- Title（参考訳）: JAX-SPH: 微分可能な平滑な粒子流体力学フレームワーク
- Authors: Artur P. Toshev, Harish Ramachandran, Jonas A. Erbesdobler, Gianluca
Galletti, Johannes Brandstetter, Nikolaus A. Adams
- Abstract要約: 粒子に基づく流体シミュレーションは、ナヴィエ・ストークス方程式を解くための強力なツールとして登場した。
このような問題を解決するためのツールボックスに機械学習メソッドが最近追加されたことは、品質と速度のトレードオフの境界を押し広げている。
我々は、ディープラーニングフレームワークと互換性のあるラグランジアン流体シミュレータへの道のりを導き、JAX-SPHを提案する。
- 参考スコア（独自算出の注目度）: 9.364194613062482
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Particle-based fluid simulations have emerged as a powerful tool for solving
the Navier-Stokes equations, especially in cases that include intricate physics
and free surfaces. The recent addition of machine learning methods to the
toolbox for solving such problems is pushing the boundary of the quality vs.
speed tradeoff of such numerical simulations. In this work, we lead the way to
Lagrangian fluid simulators compatible with deep learning frameworks, and
propose JAX-SPH - a Smoothed Particle Hydrodynamics (SPH) framework implemented
in JAX. JAX-SPH builds on the code for dataset generation from the
LagrangeBench project (Toshev et al., 2023) and extends this code in multiple
ways: (a) integration of further key SPH algorithms, (b) restructuring the code
toward a Python library, (c) verification of the gradients through the solver,
and (d) demonstration of the utility of the gradients for solving inverse
problems as well as a Solver-in-the-Loop application. Our code is available at
https://github.com/tumaer/jax-sph.
- Abstract（参考訳）: 粒子に基づく流体シミュレーションは、特に複雑な物理学や自由表面を含む場合において、ナビエ・ストークス方程式を解く強力なツールとして登場した。
このような問題を解決するためのツールボックスに機械学習手法が最近追加されたことは、そのような数値シミュレーションの品質と速度のトレードオフの境界を押し広げている。
本研究では, 深層学習フレームワークと互換性のあるラグランジアン流体シミュレータへの道のりを導き, JAX で実装された Smoothed Particle Hydrodynamics (SPH) フレームワーク JAX-SPH を提案する。
JAX-SPHは、LagrangeBenchプロジェクト(Toshev et al., 2023)からデータセット生成のためのコードに基づいて構築され、複数の方法でこのコードを拡張する。
(a)さらに重要なSPHアルゴリズムの統合。
b) Pythonライブラリへのコードの再構築。
(c)解決器による勾配の検証、及び
(d) 逆問題およびSolver-in-the-Loop アプリケーションに対する勾配の有用性の実証。
私たちのコードはhttps://github.com/tumaer/jax-sphで入手できる。
関連論文リスト
- LagrangeBench: A Lagrangian Fluid Mechanics Benchmarking Suite [0.0]
ラグランジュ粒子問題に対する最初のベンチマークスイートであるLagrangeBenchを紹介する。
A) Smoothed Particle Hydrodynamics (SPH) 法により生成された流体力学データセット(3次元で4つ, 3次元で3つ)。
また,定位置誤差を超えて運動エネルギーMSEやシンクホーン距離などの物理指標を導入している。
論文 参考訳（メタデータ） (2023-09-28T11:03:23Z) - QUBO.jl: A Julia Ecosystem for Quadratic Unconstrained Binary
Optimization [0.0]
QUBO.jlは、QUBOインスタンスを扱うためのエンドツーエンドのJuliaパッケージである。
QUBO.jlは、ユーザが前述のハードウェアとインターフェースし、様々なファイルフォーマットでQUBOモデルを送信し、その後の分析結果を取得することを可能にする。
論文 参考訳（メタデータ） (2023-07-05T18:20:31Z) - Learning Generic Solutions for Multiphase Transport in Porous Media via
the Flux Functions Operator [0.0]
DeepDeepONetは、レンダリングフラックスDEを高速化する強力なツールとして登場した。
我々は、入力ペア出力の観測を伴わずにこのマッピングを実現するために、Physical-In DeepONets (PI-DeepONets) を用いている。
論文 参考訳（メタデータ） (2023-07-03T21:10:30Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳（メタデータ） (2023-06-22T14:07:54Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - Deep Random Vortex Method for Simulation and Inference of Navier-Stokes
Equations [69.5454078868963]
ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。
AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。
本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
論文 参考訳（メタデータ） (2022-06-20T04:58:09Z) - Lettuce: PyTorch-based Lattice Boltzmann Framework [0.0]
格子ボルツマン法 (LBM) は計算流体力学などにおける効率的なシミュレーション手法である。
本稿では,PyTorch ベースの LBM コードである Lettuce について紹介する。
論文 参考訳（メタデータ） (2021-06-24T11:44:21Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳（メタデータ） (2021-04-07T17:59:23Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Using Machine Learning to Augment Coarse-Grid Computational Fluid
Dynamics Simulations [2.7892067588273517]
本研究では,高レイノルズ数での乱流の粗いグリッドシミュレーションにより発生する数値誤差を補正する機械学習(ML)手法を提案する。
提案手法は,高分解能な解軌道を得ることができるML-PDEハイブリッド解法である。
論文 参考訳（メタデータ） (2020-09-30T19:29:21Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。