論文の概要: Compositional Generative Multiphysics and Multi-component Simulation
- arxiv url: http://arxiv.org/abs/2412.04134v1
- Date: Thu, 05 Dec 2024 12:58:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:40:00.899000
- Title: Compositional Generative Multiphysics and Multi-component Simulation
- Title（参考訳）: 合成生成多物理と多成分シミュレーション
- Authors: Tao Zhang, Zhenhai Liu, Feipeng Qi, Yongjun Jiao, Tailin Wu,
- Abstract要約: 本稿では,これらの課題を克服するために,拡散モデルを用いた構成的多物理・多成分シミュレーション(MultiSimDiff)を提案する。
拡散に基づくトレーニング中、MultiSimDiffは、他のプロセス/コンポーネント上で条件付けられた1つの物理プロセス/コンポーネントの条件確率をモデル化したエネルギー関数を学ぶ。
推測において、MultiSimDiffは、結合確率分布からサンプリングすることで、結合した多重物理解と多成分構造を生成する。
- 参考スコア（独自算出の注目度）: 6.758187636141096
- License:
- Abstract: Multiphysics simulation, which models the interactions between multiple physical processes, and multi-component simulation of complex structures are critical in fields like nuclear and aerospace engineering. Previous studies often rely on numerical solvers or machine learning-based surrogate models to solve or accelerate these simulations. However, multiphysics simulations typically require integrating multiple specialized solvers-each responsible for evolving a specific physical process-into a coupled program, which introduces significant development challenges. Furthermore, no universal algorithm exists for multi-component simulations, which adds to the complexity. Here we propose compositional Multiphysics and Multi-component Simulation with Diffusion models (MultiSimDiff) to overcome these challenges. During diffusion-based training, MultiSimDiff learns energy functions modeling the conditional probability of one physical process/component conditioned on other processes/components. In inference, MultiSimDiff generates coupled multiphysics solutions and multi-component structures by sampling from the joint probability distribution, achieved by composing the learned energy functions in a structured way. We test our method in three tasks. In the reaction-diffusion and nuclear thermal coupling problems, MultiSimDiff successfully predicts the coupling solution using decoupled data, while the surrogate model fails in the more complex second problem. For the thermal and mechanical analysis of the prismatic fuel element, MultiSimDiff trained for single component prediction accurately predicts a larger structure with 64 components, reducing the relative error by 40.3% compared to the surrogate model.
- Abstract（参考訳）: 複数の物理過程間の相互作用をモデル化する多物理シミュレーションと複雑な構造の多成分シミュレーションは、核工学や航空宇宙工学のような分野において重要である。
従来の研究では、これらのシミュレーションを解いたり加速したりするために、数値解法や機械学習に基づく代理モデルに頼っていた。
しかし、マルチ物理シミュレーションは通常、特定の物理的プロセスの進化に責任を負う複数の特別なソルバを統合する必要がある。
さらに、多成分シミュレーションには普遍的なアルゴリズムが存在しないため、複雑さが増す。
本稿では,これらの課題を克服するために,拡散モデルを用いた構成的多物理学者と多成分シミュレーション(MultiSimDiff)を提案する。
拡散に基づくトレーニング中、MultiSimDiffは、他のプロセス/コンポーネント上で条件付けられた1つの物理プロセス/コンポーネントの条件確率をモデル化したエネルギー関数を学ぶ。
推測において、MultiSimDiffは、学習エネルギー関数を構造化された方法で構成し、結合確率分布からサンプリングすることにより、結合した多物理解と多成分構造を生成する。
私たちはメソッドを3つのタスクでテストします。
反応拡散および核熱カップリング問題において、MultiSimDiffは分離されたデータを用いてカップリング解を予測し、シュロゲートモデルはより複雑な第2の問題で失敗する。
原動力燃料要素の熱的および機械的解析のために、MultiSimDiffは単一成分予測のために訓練され、64成分のより大きな構造を正確に予測し、サロゲートモデルと比較して相対誤差を40.3%低減する。
関連論文リスト
- Quantum Computing Based Design of Multivariate Porous Materials [1.0923877073891446]
構成,構造,バランスの制約を直接ハミルトニアンに組み込む量子コンピューティングのハミルトニアンモデルを提案する。
我々のフレームワークは、最適な構成を特定するために、リンカの広大な探索空間を指数関数的に効率的に探索する。
実験的に知られたMTV多孔質材料のシミュレーションは、その基底状態の再現に成功した。
論文 参考訳（メタデータ） (2025-02-10T10:40:22Z) - Multi-Physics Simulations via Coupled Fourier Neural Operator [9.839064047196114]
複数の物理プロセス間の相互作用をモデル化するための,新しい結合型多物理ニューラル演算子学習(COMPOL)フレームワークを提案する。
提案手法は,繰り返し及び注意機構による特徴集約を実装し,相互作用の包括的モデリングを可能にする。
提案モデルでは,既存手法に比べて予測性能が2～3倍向上したことを示す。
論文 参考訳（メタデータ） (2025-01-28T20:58:55Z) - Arbitrarily-Conditioned Multi-Functional Diffusion for Multi-Physics Emulation [17.67789938326378]
ACMFD(Arbitrally-Conditioned Multi-Functional Diffusion)を多物理エミュレーションのための多元的確率的サロゲートモデルとして提案する。
ACMFDは、フォワード予測、様々な逆問題、システム全体や他で条件付けられた量のサブセットのデータシミュレーションを含む、単一のフレームワーク内で幅広いタスクを実行できる。
複数の基本的多物理系におけるACMFDの利点を実証する。
論文 参考訳（メタデータ） (2024-10-17T17:34:06Z) - NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements [7.704598780320887]
本研究では、PINNと高忠実度スペクトル要素法(SEM)を融合したハイブリッドフレームワークであるNeuroSEMを紹介した。
NeuroSEMはPINNとSEMの両方の強度を活用し、多物理問題に対する堅牢な解決策を提供する。
キャビティフローおよびシリンダーを過ぎる流れにおける熱対流に対するNeuroSEMの有効性と精度を実証した。
論文 参考訳（メタデータ） (2024-07-30T22:01:14Z) - Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。
マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2024-05-22T15:40:05Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳（メタデータ） (2023-06-19T06:02:53Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - 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) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。