論文の概要: Generative prediction of flow field based on the diffusion model

• arxiv url: http://arxiv.org/abs/2407.00735v1
• Date: Sun, 30 Jun 2024 15:48:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 01:47:18.217089
• Title: Generative prediction of flow field based on the diffusion model
• Title（参考訳）: 拡散モデルに基づく流れ場の生成予測
• Authors: Jiajun Hu, Zhen Lu, Yue Yang,
• Abstract要約: 本稿では, 障害物形状の入力を利用して, 障害物を過ぎる流れ場を予測する形状と流れの拡散モデルを提案する。 我々は,円,楕円,矩形,三角形などの単純な障害物を流れる流れのデータセットを用いてモデルを訓練する。 単純かつ複雑なジオメトリーを持つ障害物を過ぎる流れにおいて、ジオメトリーとジオメトリー条件の補間を表現して試験を行う。
• 参考スコア（独自算出の注目度）: 12.094115138998745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a geometry-to-flow diffusion model that utilizes the input of obstacle shape to predict a flow field past the obstacle. The model is based on a learnable Markov transition kernel to recover the data distribution from the Gaussian distribution. The Markov process is conditioned on the obstacle geometry, estimating the noise to be removed at each step, implemented via a U-Net. A cross-attention mechanism incorporates the geometry as a prompt. We train the geometry-to-flow diffusion model using a dataset of flows past simple obstacles, including the circle, ellipse, rectangle, and triangle. For comparison, the CNN model is trained using the same dataset. Tests are carried out on flows past obstacles with simple and complex geometries, representing interpolation and extrapolation on the geometry condition, respectively. In the test set, challenging scenarios include a cross and characters `PKU'. Generated flow fields show that the geometry-to-flow diffusion model is superior to the CNN model in predicting instantaneous flow fields and handling complex geometries. Quantitative analysis of the model accuracy and divergence in the fields demonstrate the high robustness of the diffusion model, indicating that the diffusion model learns physical laws implicitly.
• Abstract（参考訳）: 本稿では, 障害物形状の入力を利用して, 障害物を過ぎる流れ場を予測する形状と流れの拡散モデルを提案する。 このモデルは学習可能なマルコフ遷移カーネルに基づいて、ガウス分布からデータ分布を復元する。 マルコフ過程は障害物形状に条件付けされ、U-Netを介して実装された各ステップで除去されるノイズを推定する。 クロスアテンション機構は、幾何学をプロンプトとして組み込む。 我々は、円、楕円、矩形、三角形を含む単純な障害物を流れる流れのデータセットを用いて、幾何と流れの拡散モデルを訓練する。 比較として、CNNモデルは、同じデータセットを使用してトレーニングされる。 形状条件の補間と外挿をそれぞれ表わすため, 単純かつ複雑な地形をもつ障害物を過ぎる流れにおいて, 試験を行う。 テストセットでは、クロスとキャラクタの‘PKU’が難しいシナリオである。 生成流れ場は,CNNモデルよりも幾何拡散モデルの方が,瞬時流場予測や複雑な測地処理に優れていることを示す。 モデルの精度と拡散度の定量的解析は拡散モデルの高ロバスト性を示し、拡散モデルは物理法則を暗黙的に学習することを示す。

関連論文リスト

• Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
  拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。 遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
  論文  参考訳（メタデータ） (2024-06-21T01:32:03Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Fisher Flow Matching for Generative Modeling over Discrete Data [12.69975914345141]
  離散データのための新しいフローマッチングモデルであるFisher-Flowを紹介する。 Fisher-Flowは、離散データ上のカテゴリー分布を考慮し、明らかに幾何学的な視点を採っている。 Fisher-Flowにより誘導される勾配流は, 前方KLの発散を低減するのに最適であることを示す。
  論文  参考訳（メタデータ） (2024-05-23T15:02:11Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Lecture Notes in Probabilistic Diffusion Models [0.5361320134021585]
  拡散モデルは非平衡熱力学に基づいてゆるやかにモデル化される。 拡散モデルは、元のデータサンプルが属するデータ多様体を学習する。 拡散モデルは、変分オートエンコーダやフローモデルとは異なり、元のデータと同じ次元の潜伏変数を持つ。
  論文  参考訳（メタデータ） (2023-12-16T09:36:54Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
  Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。 一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
  論文  参考訳（メタデータ） (2021-08-18T09:00:24Z)

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。