論文の概要: Single-snapshot machine learning for super-resolution of turbulence
- arxiv url: http://arxiv.org/abs/2409.04923v2
- Date: Sat, 23 Nov 2024 00:43:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-26 14:13:44.420056
- Title: Single-snapshot machine learning for super-resolution of turbulence
- Title（参考訳）: 超高分解能乱流に対する単発機械学習
- Authors: Kai Fukami, Kunihiko Taira,
- Abstract要約: 非線形機械学習技術は、乱流の単一スナップショットから物理的洞察を効果的に抽出することができる。
本研究では,1スナップショットのみから抽出したフロータイルを用いて学習した機械学習モデルを用いて,レイノルズ数の範囲で渦構造を再構築可能であることを示す。
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。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- 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 settings. This study asks the question of whether nonlinear machine-learning techniques can effectively extract physical insights even from as little as a {\it single} snapshot of turbulent flow. As an example, we consider machine-learning-based super-resolution analysis that reconstructs a high-resolution field from low-resolution data for two examples of two-dimensional isotropic turbulence and three-dimensional turbulent channel flow. First, 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 for two-dimensional decaying turbulence. Successful flow reconstruction indicates that nonlinear machine-learning techniques can leverage scale-invariance properties to learn turbulent flows. We also show that training data of turbulent flows can be cleverly collected from a single snapshot by considering characteristics of rotation and shear tensors. Second, we perform the single-snapshot super-resolution analysis for turbulent channel flow, showing that it is possible to extract physical insights from a single flow snapshot even with inhomogeneity. 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、各スナップショットは一般的な機械学習設定で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, 非線形機械学習技術が乱流のスナップショットから, 物理的洞察を効果的に抽出できるかどうかを問う。
例えば,2次元等方性乱流と3次元乱流の2つの例に対して,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を考える。
まず,1枚のスナップショットから抽出したフロータイルを学習した機械学習モデルを用いて,2次元減衰乱流に対するレイノルズ数の範囲にわたる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。
また, 回転とせん断テンソルの特性を考慮し, 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した。
次に, 乱流流に対する単発超解像解析を行い, 不均一であっても単一流れスナップショットから物理的洞察を抽出可能であることを示す。
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
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
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。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - Turbulence Scaling from Deep Learning Diffusion Generative Models [0.8192907805418583]
拡散モデルを用いて乱流渦分布の分布を学習する。
圧縮不能なNavier-Stokes方程式に対する乱流解のスナップショットを生成する。
学習したスケーリング指数はすべて、期待されるKolmogorovスケーリングと一致している。
論文 参考訳（メタデータ） (2023-11-10T15:27:07Z) - In-Context Convergence of Transformers [63.04956160537308]
勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。
不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
論文 参考訳（メタデータ） (2023-10-08T17:55:33Z) - Multiscale Flow for Robust and Optimal Cosmological Analysis [7.977229957867868]
マルチスケールフロー(Multiscale Flow)は、サンプルを作成し、2次元宇宙データの場レベル確率をモデル化する生成正規化フローである。
マルチスケールフローは,バリオン効果などのトレーニングデータにはない分布変化を識別できることを示す。
論文 参考訳（メタデータ） (2023-06-07T18:00:06Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - 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) - Generative Flows with Invertible Attentions [135.23766216657745]
生成フローモデルに対する2種類の非可逆的注意機構を導入する。
フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。
提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
論文 参考訳（メタデータ） (2021-06-07T20:43:04Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Reconstruction of turbulent data with deep generative models for
semantic inpainting from TURB-Rot database [0.0]
本稿では,コンピュータビジョンコミュニティが開発するツールを用いて,流体乱流構成のデータ再構成を行う特徴学習と意味画像のインペインティングについて検討する。
深部生成逆数モデル (Deep-GAN) に埋め込まれた畳み込みニューラルネットワークの乱流中に欠落するデータを生成する能力について検討する。
論文 参考訳（メタデータ） (2020-06-16T14:26:07Z)
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。