論文の概要: Generalization capabilities of MeshGraphNets to unseen geometries for fluid dynamics
- arxiv url: http://arxiv.org/abs/2408.06101v1
- Date: Mon, 12 Aug 2024 12:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 13:13:27.402864
- Title: Generalization capabilities of MeshGraphNets to unseen geometries for fluid dynamics
- Title(参考訳): 流体力学におけるメッシュグラフネットの未確認測地への一般化
- Authors: Robin Schmöcker, Alexander Henkes, Julian Roth, Thomas Wick,
- Abstract要約: データ駆動型計算流体力学(CFD)のための新しいベンチマークデータセットを作成する。
次に、この新しいデータセットを使用して、MeshGraphNets上でDeepMindが行った一般化実験を拡張します。
数値実験では、ある障害物形状のデータセットをトレーニングし、別の障害物形状のデータセットを試験することにより、MGNが様々な形状によく一般化できることが示されている。
- 参考スコア(独自算出の注目度): 43.722816002375346
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This works investigates the generalization capabilities of MeshGraphNets (MGN) [Pfaff et al. Learning Mesh-Based Simulation with Graph Networks. ICML 2021] to unseen geometries for fluid dynamics, e.g. predicting the flow around a new obstacle that was not part of the training data. For this purpose, we create a new benchmark dataset for data-driven computational fluid dynamics (CFD) which extends DeepMind's flow around a cylinder dataset by including different shapes and multiple objects. We then use this new dataset to extend the generalization experiments conducted by DeepMind on MGNs by testing how well an MGN can generalize to different shapes. In our numerical tests, we show that MGNs can sometimes generalize well to various shapes by training on a dataset of one obstacle shape and testing on a dataset of another obstacle shape.
- Abstract(参考訳): 本研究は,メッシュグラフネット(MGN) [Pfaff et al Learning Mesh-based Simulation with Graph Networks. ICML 2021] の流体力学の未確認領域に対する一般化能力について検討する。
この目的のために,データ駆動型計算流体力学(CFD)のための新しいベンチマークデータセットを作成し,異なる形状と複数のオブジェクトを含むシリンダデータセットまわりのDeepMindの流れを拡張する。
次に、新しいデータセットを使用して、MGNがどのようにして異なる形状に一般化できるかをテストすることによって、DeepMindがMGN上で行った一般化実験を拡張する。
数値実験では、ある障害物形状のデータセットをトレーニングし、別の障害物形状のデータセットを試験することにより、MGNが様々な形状によく一般化できることが示されている。
関連論文リスト
- Deep Learning as Ricci Flow [38.27936710747996]
ディープニューラルネットワーク(DNN)は、複雑なデータの分布を近似する強力なツールである。
分類タスク中のDNNによる変換は、ハミルトンのリッチ流下で期待されるものと類似していることを示す。
本研究の成果は, 微分幾何学や離散幾何学から, 深層学習における説明可能性の問題まで, ツールの利用を動機づけるものである。
論文 参考訳(メタデータ) (2024-04-22T15:12:47Z) - PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。
解像度が大きくなると、計算データ要求と時間の増加が比例する。
複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
論文 参考訳(メタデータ) (2024-04-06T12:49:09Z) - Finite Volume Features, Global Geometry Representations, and Residual
Training for Deep Learning-based CFD Simulation [8.472186259556597]
グラフニューラルネットワーク(GNN)に基づくCFD法が提案されている。
本研究は,最短ベクトル(SV)と方向統合距離(DID)の2つの新しい幾何学的表現を提案する。
実験結果から, SV, DID, FVF, 残留訓練は, 現行GNN方式の予測誤差を最大41%低減できることがわかった。
論文 参考訳(メタデータ) (2023-11-24T13:19:06Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳(メタデータ) (2023-06-20T03:33:22Z) - Study of Manifold Geometry using Multiscale Non-Negative Kernel Graphs [32.40622753355266]
データの幾何学的構造を研究するための枠組みを提案する。
我々は最近導入された非負のカーネル回帰グラフを用いて、点密度、固有次元、およびデータ多様体(曲率)の線型性を推定する。
論文 参考訳(メタデータ) (2022-10-31T17:01:17Z) - Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。
要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
論文 参考訳(メタデータ) (2022-10-01T21:17:39Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳(メタデータ) (2022-02-28T15:53:10Z) - Graph Convolutional Neural Networks for Body Force Prediction [0.0]
グラフベースのデータ駆動モデルを示し、非構造化メッシュ上で定義されたフィールドの推論を行う。
ネットワークは、異なる解像度のフィールドサンプルから推論することができ、各サンプルの測定結果が提示される順序に不変である。
論文 参考訳(メタデータ) (2020-12-03T19:53:47Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳(メタデータ) (2020-10-23T14:49:02Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z)
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。