論文の概要: Unfolding Time: Generative Modeling for Turbulent Flows in 4D

• arxiv url: http://arxiv.org/abs/2406.11390v2
• Date: Mon, 29 Jul 2024 10:43:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 22:48:36.629753
• Title: Unfolding Time: Generative Modeling for Turbulent Flows in 4D
• Title（参考訳）: 展開時間:4次元乱流の生成モデリング
• Authors: Abdullah Saydemir, Marten Lienen, Stephan Günnemann,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.843505326598596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A recent study in turbulent flow simulation demonstrated the potential of generative diffusion models for fast 3D surrogate modeling. This approach eliminates the need for specifying initial states or performing lengthy simulations, significantly accelerating the process. While adept at sampling individual frames from the learned manifold of turbulent flow states, the previous model lacks the capability to generate sequences, hindering analysis of dynamic phenomena. This work addresses this limitation by introducing a 4D generative diffusion model and a physics-informed guidance technique that enables the generation of realistic sequences of flow states. Our findings indicate that the proposed method can successfully sample entire subsequences from the turbulent manifold, even though generalizing from individual frames to sequences remains a challenging task. This advancement opens doors for the application of generative modeling in analyzing the temporal evolution of turbulent flows, providing valuable insights into their complex dynamics.
• Abstract（参考訳）: 乱流シミュレーションにおける最近の研究は、高速な3次元代理モデリングのための生成拡散モデルの可能性を示した。 このアプローチでは、初期状態を指定する必要や、長いシミュレーションを行う必要がなくなり、プロセスが大幅に加速する。 乱流状態の学習多様体から個々のフレームをサンプリングするのに適しているが、以前のモデルではシーケンスを生成する能力が欠如しており、動的現象の解析を妨げている。 本研究は、4次元生成拡散モデルと、現実的な流れ状態列の生成を可能にする物理インフォームドガイダンス技術を導入することで、この制限に対処する。 提案手法は, 個々のフレームからシーケンスへの一般化が困難な課題であるにもかかわらず, 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成功できることが示唆された。 この進歩は、乱流の時間的進化を分析するために生成的モデリングを適用するための扉を開き、それらの複雑な力学に関する貴重な洞察を提供する。

関連論文リスト

• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Text-to-Image Rectified Flow as Plug-and-Play Priors [52.586838532560755]
  整流流は、ソースからターゲット分布への線形進行を強制する新しい生成モデルのクラスである。 補正フローアプローチが生成品質と効率を上回り,推論ステップを少なくすることを示した。 また,画像のインバージョンや編集における競合性能も示す。
  論文  参考訳（メタデータ） (2024-06-05T14:02:31Z)
• 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)
• 4Diffusion: Multi-view Video Diffusion Model for 4D Generation [55.82208863521353]
  現在の4D生成法は, 高度な拡散生成モデルの助けを借りて, 有意義な有効性を実現している。 モノクロビデオから空間的・時間的に一貫した4Dコンテンツを生成することを目的とした,新しい4D生成パイプライン,すなわち4Diffusionを提案する。
  論文  参考訳（メタデータ） (2024-05-31T08:18:39Z)
• Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation [13.278744447861289]
  本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。 提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。 数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
  論文  参考訳（メタデータ） (2023-11-14T04:08:14Z)
• Spontaneous Symmetry Breaking in Generative Diffusion Models [6.4322891559626125]
  生成拡散モデルは近年,高次元データ生成の先導的アプローチとして浮上している。 これらのモデルの力学は、生成力学を2つの異なる位相に分割する自発的対称性の破れを示す。 本稿では,より高性能でバイアスの少ない高速サンプリングを実現する可能性を持つ拡散モデルの生成力学を理解するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T09:36:34Z)
• From Zero to Turbulence: Generative Modeling for 3D Flow Simulation [45.626346087828765]
  本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。 生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
  論文  参考訳（メタデータ） (2023-05-29T18:20:28Z)
• Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
  乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。 等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2020-05-18T18:45:09Z)

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。