論文の概要: Integrating Neural Operators with Diffusion Models Improves Spectral Representation in Turbulence Modeling
- arxiv url: http://arxiv.org/abs/2409.08477v1
- Date: Fri, 13 Sep 2024 02:07:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 18:07:55.057372
- Title: Integrating Neural Operators with Diffusion Models Improves Spectral Representation in Turbulence Modeling
- Title(参考訳): 拡散モデルによるニューラル演算子統合による乱流モデリングにおけるスペクトル表現の改善
- Authors: Vivek Oommen, Aniruddha Bora, Zhen Zhang, George Em Karniadakis,
- Abstract要約: 我々は、乱流の代理モデリングにおいて、ニューラル演算子のスペクトル制限に対処するために、拡散モデルとニューラル演算子を統合する。
我々のアプローチは、多様なデータセット上で異なるニューラル演算子に対して検証されている。
この研究は、生成モデルとニューラル演算子を組み合わせるための新しいパラダイムを確立し、乱流系の代理モデリングを前進させる。
- 参考スコア(独自算出の注目度): 3.9134883314626876
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We integrate neural operators with diffusion models to address the spectral limitations of neural operators in surrogate modeling of turbulent flows. While neural operators offer computational efficiency, they exhibit deficiencies in capturing high-frequency flow dynamics, resulting in overly smooth approximations. To overcome this, we condition diffusion models on neural operators to enhance the resolution of turbulent structures. Our approach is validated for different neural operators on diverse datasets, including a high Reynolds number jet flow simulation and experimental Schlieren velocimetry. The proposed method significantly improves the alignment of predicted energy spectra with true distributions compared to neural operators alone. Additionally, proper orthogonal decomposition analysis demonstrates enhanced spectral fidelity in space-time. This work establishes a new paradigm for combining generative models with neural operators to advance surrogate modeling of turbulent systems, and it can be used in other scientific applications that involve microstructure and high-frequency content. See our project page: vivekoommen.github.io/NO_DM
- Abstract(参考訳): 我々は、乱流の代理モデリングにおいて、ニューラル演算子のスペクトル制限に対処するために、拡散モデルとニューラル演算子を統合する。
ニューラル作用素は計算効率を提供するが、高周波流れのダイナミクスを捉えることには欠点があり、結果として過度に滑らかな近似が得られる。
これを解決するために, ニューラルネットワーク上での拡散モデルを適用し, 乱流構造の分解能を高める。
我々のアプローチは、レイノルズ数ジェットフローシミュレーションやシュリーレン速度測定など、様々なデータセット上の異なるニューラル演算子に対して検証されている。
提案手法は, ニューラル演算子単独と比較して, 予測エネルギースペクトルと真の分布とのアライメントを著しく改善する。
さらに、適切な直交分解解析は、時空におけるスペクトル忠実度の向上を示す。
この研究は、生成モデルとニューラル演算子を組み合わせる新しいパラダイムを確立し、乱流系のサロゲートモデリングを前進させ、マイクロ構造と高周波コンテンツを含む他の科学的応用に利用することができる。
vivekoommen.github.io/NO_DM
関連論文リスト
- Implicit factorized transformer approach to fast prediction of turbulent channel flows [6.70175842351963]
本稿では,従来の連鎖因数分解処理を並列因数分解処理に置き換える改良型暗黙因数分解変換器 (IFactFormer-m) モデルを提案する。
IFactFormer-mモデルは乱流流の長期予測に成功している。
論文 参考訳(メタデータ) (2024-12-25T09:05:14Z) - A Tunable Despeckling Neural Network Stabilized via Diffusion Equation [15.996302571895045]
ニューラルネットワークの実際のデータへの適応性を判断するための基準として、Adrialversa攻撃を用いることができる。
本稿では,ニューラルネットワークブロックと拡散正則性ブロックを1つのネットワークにアンロールしてエンドツーエンドのトレーニングを行う,チューニング可能な正規化ニューラルネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-24T17:08:43Z) - Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳(メタデータ) (2024-10-28T17:25:56Z) - Diffusion models as probabilistic neural operators for recovering unobserved states of dynamical systems [49.2319247825857]
拡散に基づく生成モデルは、ニューラル演算子に好適な多くの特性を示す。
本稿では,複数のタスクに適応可能な単一モデルを,トレーニング中のタスク間で交互に学習することを提案する。
論文 参考訳(メタデータ) (2024-05-11T21:23:55Z) - Neural Operators Learn the Local Physics of Magnetohydrodynamics [6.618373975988337]
磁気流体力学(MHD)は、プラズマと導電性流体の力学を記述する上で重要な役割を果たしている。
最近の進歩は、従来の数値解析のための代理モデルとしてフーリエニューラル演算子(FNO)のようなニューラル演算子を導入している。
本研究では, 理想的なMHDの数値フラックスを近似するために, 修正されたフラックスフーリエニューラル演算子モデルについて検討する。
論文 参考訳(メタデータ) (2024-04-24T17:48:38Z) - Fully Spiking Denoising Diffusion Implicit Models [61.32076130121347]
スパイキングニューラルネットワーク(SNN)は、超高速のニューロモルフィックデバイス上で走る能力のため、かなりの注目を集めている。
本研究では,SNN内で拡散モデルを構築するために,拡散暗黙モデル (FSDDIM) を完全にスパイクする新しい手法を提案する。
提案手法は,最先端の完全スパイク生成モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-12-04T09:07:09Z) - The Missing U for Efficient Diffusion Models [3.712196074875643]
拡散確率モデル(Diffusion Probabilistic Models)は、画像合成、ビデオ生成、分子設計などのタスクにおいて、記録破りのパフォーマンスをもたらす。
それらの能力にもかかわらず、その効率、特に逆過程では、収束速度が遅いことと計算コストが高いため、依然として課題である。
本研究では,連続力学系を利用した拡散モデルのための新しいデノナイジングネットワークの設計手法を提案する。
論文 参考訳(メタデータ) (2023-10-31T00:12:14Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z)
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。