論文の概要: Single-snapshot machine learning for turbulence super resolution
- arxiv url: http://arxiv.org/abs/2409.04923v1
- Date: Sat, 7 Sep 2024 22:13:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 20:10:34.424680
- Title: Single-snapshot machine learning for turbulence super resolution
- Title(参考訳): 乱流超解像のための単発ショット機械学習
- Authors: Kai Fukami, Kunihiko Taira,
- Abstract要約: 非線形機械学習技術は、乱流渦の流れの1つのスナップショットから、物理的洞察を抽出することができる。
単一のスナップショットからサンプリングされたフロータイルでトレーニングされた機械学習モデルは、レイノルズ数の範囲で渦構造を再構築することができる。
本研究は, モデル設計やデータ収集における事前知識の埋め込みが, 乱流解析の分野において重要であることを示唆する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern machine-learning techniques are generally considered data-hungry. However, this may not be the case for turbulence as each of its snapshots can hold more information than a single data file in general machine-learning applications. This study asks the question of whether nonlinear machine-learning techniques can effectively extract physical insights even from as little as a single snapshot of a turbulent vortical flow. As an example, we consider machine-learning-based super-resolution analysis that reconstructs a high-resolution field from low-resolution data for two-dimensional decaying turbulence. We reveal that a carefully designed machine-learning model trained with flow tiles sampled from only a single snapshot can reconstruct vortical structures across a range of Reynolds numbers. Successful flow reconstruction indicates that nonlinear machine-learning techniques can leverage scale-invariance properties to learn turbulent flows. We further show that training data of turbulent flows can be cleverly collected from a single snapshot by considering characteristics of rotation and shear tensors. The present findings suggest that embedding prior knowledge in designing a model and collecting data is important for a range of data-driven analyses for turbulent flows. More broadly, this work hopes to stop machine-learning practitioners from being wasteful with turbulent flow data.
- Abstract(参考訳): 現代の機械学習技術は一般的にデータハングリーと見なされる。
しかし、一般的な機械学習アプリケーションでは、それぞれのスナップショットが単一のデータファイルよりも多くの情報を保持することができるため、乱流ではそうではないかもしれない。
本研究では, 乱流渦流の単一スナップショットから, 非線形機械学習技術が物理的洞察を効果的に抽出できるかどうかを問う。
一例として,2次元減衰乱流に対する低分解能データから高分解能場を再構成する機械学習に基づく超解像解析について考察する。
単一のスナップショットからのみサンプリングしたフロータイルで学習した機械学習モデルにより,レイノルズ数の範囲で渦構造を再構築できることを明らかにする。
流れの復元に成功し, 非線形機械学習技術は乱流の学習にスケール不変性を活用できることが示唆された。
さらに、回転とせん断テンソルの特性を考慮して、単一スナップショットから乱流のトレーニングデータを巧みに収集できることを示す。
本研究は, モデル設計やデータ収集における事前知識の埋め込みが, 乱流解析の分野において重要であることを示唆する。
より広範に、この研究は、機械学習の実践者が乱流データに浪費するのを阻止することを望んでいる。
関連論文リスト
- Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。
各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
論文 参考訳(メタデータ) (2024-04-02T21:51:39Z) - On the choice of training data for machine learning of geostrophic
mesoscale turbulence [0.34376560669160383]
データ」は、データ駆動手法において中心的な役割を果たすが、機械学習アルゴリズムの研究に焦点をあてることはあまりない。
横境界の存在下での回転成層乱流における渦-平均相互作用について考察する。
論文 参考訳(メタデータ) (2023-07-03T03:43:21Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - Flurry: a Fast Framework for Reproducible Multi-layered Provenance Graph
Representation Learning [0.44040106718326594]
Flurryは、サイバー攻撃をシミュレートするエンドツーエンドのデータパイプラインである。
複数のシステムとアプリケーション層におけるこれらの攻撃からのデータをキャプチャし、これらの攻撃からの監査ログをデータプロファイランスグラフに変換し、このデータをディープニューラルネットワークのトレーニングフレームワークに組み込む。
複数のシステム攻撃からのデータを処理し,グラフ分類による異常検出を行うことで,このパイプラインを実証する。
論文 参考訳(メタデータ) (2022-03-05T13:52:11Z) - Inferring Turbulent Parameters via Machine Learning [0.0]
本研究では,乱流の観測から物理パラメータを推定する一般的な問題を解決するため,機械学習手法を設計する。
我々のアプローチは、フローの基準フレームの回転頻度を抑えるために機械学習システムを訓練することである。
本研究は2つの異なる視点から興味深い結果を示す。
論文 参考訳(メタデータ) (2022-01-03T16:08:48Z) - Multi-Task Learning based Convolutional Models with Curriculum Learning
for the Anisotropic Reynolds Stress Tensor in Turbulent Duct Flow [1.6371837018687636]
乱流ダクト流に対する正規化異方性レイノルズ応力テンソルを正確に予測できる完全畳み込みニューラルネットワークを提案する。
データ駆動乱流モデリングへのカリキュラム学習の適用についても検討する。
論文 参考訳(メタデータ) (2021-10-30T20:41:28Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳(メタデータ) (2021-10-22T15:43:03Z) - Machine Unlearning of Features and Labels [72.81914952849334]
機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。
提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
論文 参考訳(メタデータ) (2021-08-26T04:42:24Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-04T18:03:31Z) - Automatic Recall Machines: Internal Replay, Continual Learning and the
Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。
本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。
代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文 参考訳(メタデータ) (2020-06-22T15:07:06Z)
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。