論文の概要: Distributed computing for physics-based data-driven reduced modeling at scale: Application to a rotating detonation rocket engine
- arxiv url: http://arxiv.org/abs/2407.09994v1
- Date: Sat, 13 Jul 2024 20:17:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 19:58:18.378262
- Title: Distributed computing for physics-based data-driven reduced modeling at scale: Application to a rotating detonation rocket engine
- Title（参考訳）: 大規模データ駆動型縮小モデリングのための分散コンピューティング:回転起爆ロケットエンジンへの適用
- Authors: Ionut-Gabriel Farcas, Rayomand P. Gundevia, Ramakanth Munipalli, Karen E. Willcox,
- Abstract要約: 本稿では,スパースデータセットから学習した予測物理ベースのROMを高速かつスケーラブルに構築する分散アルゴリズムを提案する。
我々は、シミュレーションされた物理時間の1ミリ秒がスーパーコンピュータ上で100万コア時間を必要とする実世界の3次元RDREに焦点を当てる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-performance computing (HPC) has revolutionized our ability to perform detailed simulations of complex real-world processes. A prominent contemporary example is from aerospace propulsion, where HPC is used for rotating detonation rocket engine (RDRE) simulations in support of the design of next-generation rocket engines; however, these simulations take millions of core hours even on powerful supercomputers, which makes them impractical for engineering tasks like design exploration and risk assessment. Reduced-order models (ROMs) address this limitation by constructing computationally cheap yet sufficiently accurate approximations that serve as surrogates for the high-fidelity model. This paper contributes a new distributed algorithm that achieves fast and scalable construction of predictive physics-based ROMs trained from sparse datasets of extremely large state dimension. The algorithm learns structured physics-based ROMs that approximate the dynamical systems underlying those datasets. This enables model reduction for problems at a scale and complexity that exceeds the capabilities of existing approaches. We demonstrate our algorithm's scalability using up to $2,048$ cores on the Frontera supercomputer at the Texas Advanced Computing Center. We focus on a real-world three-dimensional RDRE for which one millisecond of simulated physical time requires one million core hours on a supercomputer. Using a training dataset of $2,536$ snapshots each of state dimension $76$ million, our distributed algorithm enables the construction of a predictive data-driven reduced model in just $13$ seconds on $2,048$ cores on Frontera.
- Abstract（参考訳）: ハイパフォーマンスコンピューティング(HPC)は、複雑な現実世界のプロセスの詳細なシミュレーションを行う能力に革命をもたらした。
HPCは次世代のロケットエンジンの設計を支援するために回転起爆ロケットエンジン(RDRE)シミュレーションに使用されるが、これらのシミュレーションは強力なスーパーコンピュータでも数百万時間を要するため、設計調査やリスク評価のような工学的なタスクでは実用的ではない。
減階モデル(ROM)は、高忠実度モデルのサロゲートとして機能する計算的に安価だが十分正確な近似を構築することで、この制限に対処する。
本稿では,超大次元のスパースデータセットから学習した予測物理ベースのROMを高速かつスケーラブルに構築する分散アルゴリズムを提案する。
このアルゴリズムは、それらのデータセットの基盤となる力学系を近似する構造化された物理ベースのROMを学習する。
これにより、既存のアプローチの能力を超える規模の問題と複雑さのモデル削減が可能になる。
テキサス・アドバンスト・コンピューティング・センター(Texas Advanced Computing Center)のFroneraスーパーコンピュータ上で,最大2,048ドルのコアを使ってアルゴリズムのスケーラビリティを実証する。
我々は、シミュレーションされた物理時間の1ミリ秒がスーパーコンピュータ上で100万コア時間を必要とする実世界の3次元RDREに焦点を当てる。
当社の分散アルゴリズムでは,2,536ドルのトレーニングデータセットを使用して,Fronteraの2,048ドルのコア上で,予測データ駆動型リダクションモデルの構築をわずか13ドル秒で実現しています。
関連論文リスト
- Open-Source High-Speed Flight Surrogate Modeling Framework [0.0]
高速飛行車は音速よりもはるかに速く走行し、国防と宇宙探査に不可欠である。
様々な飛行条件下での行動の正確な予測は困難であり、しばしば高価である。
提案されたアプローチでは、より賢く、より効率的な機械学習モデルを作成する。
論文 参考訳（メタデータ） (2024-11-06T01:34:06Z) - Compilation of Trotter-Based Time Evolution for Partially Fault-Tolerant Quantum Computing Architecture [0.6449786007855248]
2次元ハバードモデルハミルトンの時間発展をシミュレーションする効率的な方法を提案する。
解析の結果, 単純直列コンパイルに比べて10倍以上の高速化が得られた。
物理誤差率が$p_rm phys = 10-4$のデバイスの場合、地上でのエネルギー推定を高速化するためには、およそ6.5倍 104$ の物理量子ビットが必要であると推定する。
論文 参考訳（メタデータ） (2024-08-27T10:07:34Z) - Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations [0.0]
本稿では, プラズマ乱流シミュレーションのための非侵襲的科学機械学習 (SciML) 還元次数モデル (ROM) について検討する。
我々は,演算子推論(OpInf)に着目し,そのようなシミュレーションデータから低コストな物理ベースのROMを構築する。
論文 参考訳（メタデータ） (2024-01-11T15:20:06Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - $\textit{FastSVD-ML-ROM}$: A Reduced-Order Modeling Framework based on
Machine Learning for Real-Time Applications [0.0]
高忠実度数値シミュレーションは工学設計のバックボーンを構成する。
高忠実度解を近似するために、低次モデル (ROM) を用いる。
本研究は,ROM開発のための機械学習(ML)プラットフォームを提案する。
論文 参考訳（メタデータ） (2022-07-24T23:11:07Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳（メタデータ） (2020-11-14T02:03:08Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳（メタデータ） (2020-05-05T08:00:07Z)
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。