Fugu-MT 論文翻訳(概要): Wavelet Diffusion Neural Operator

論文の概要: Wavelet Diffusion Neural Operator

arxiv url: http://arxiv.org/abs/2412.04833v1
Date: Fri, 06 Dec 2024 07:56:25 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-09 15:55:38.300916
Title: Wavelet Diffusion Neural Operator
Title（参考訳）: ウェーブレット拡散ニューラル演算子
Authors: Peiyan Hu, Rui Wang, Xiang Zheng, Tao Zhang, Haodong Feng, Ruiqi Feng, Long Wei, Yue Wang, Zhi-Ming Ma, Tailin Wu,
Abstract要約: 本稿では,新しいPDEシミュレーションおよび制御フレームワークであるWavelet Neural Diffusion Operator (WDNO)を提案する。 WDNOはウェーブレット領域で拡散に基づく生成モデルを実行し、急激な変化と長期依存を効果的に処理する。様々な解像度での一般化が不十分な問題に対処するために,マルチレゾリューショントレーニングを導入する。
参考スコア（独自算出の注目度）: 17.617919636212445
License:
Abstract: Simulating and controlling physical systems described by partial differential equations (PDEs) are crucial tasks across science and engineering. Recently, diffusion generative models have emerged as a competitive class of methods for these tasks due to their ability to capture long-term dependencies and model high-dimensional states. However, diffusion models typically struggle with handling system states with abrupt changes and generalizing to higher resolutions. In this work, we propose Wavelet Diffusion Neural Operator (WDNO), a novel PDE simulation and control framework that enhances the handling of these complexities. WDNO comprises two key innovations. Firstly, WDNO performs diffusion-based generative modeling in the wavelet domain for the entire trajectory to handle abrupt changes and long-term dependencies effectively. Secondly, to address the issue of poor generalization across different resolutions, which is one of the fundamental tasks in modeling physical systems, we introduce multi-resolution training. We validate WDNO on five physical systems, including 1D advection equation, three challenging physical systems with abrupt changes (1D Burgers' equation, 1D compressible Navier-Stokes equation and 2D incompressible fluid), and a real-world dataset ERA5, which demonstrates superior performance on both simulation and control tasks over state-of-the-art methods, with significant improvements in long-term and detail prediction accuracy. Remarkably, in the challenging context of the 2D high-dimensional and indirect control task aimed at reducing smoke leakage, WDNO reduces the leakage by 33.2% compared to the second-best baseline.
Abstract（参考訳）: 偏微分方程式(PDE)によって記述される物理系のシミュレーションと制御は、科学と工学において重要な課題である。近年,長期依存を捉える能力や高次元状態のモデル化能力から,拡散生成モデルがこれらのタスクの競合する手法のクラスとして出現している。しかし拡散モデルは通常、急激な変化を伴う系の状態の扱いに苦慮し、高分解能に一般化する。本研究では,これらの複雑さのハンドリングを強化する新しいPDEシミュレーションおよび制御フレームワークであるWavelet Diffusion Neural Operator (WDNO)を提案する。 WDNOには2つの重要な革新がある。まず、WDNOは、急激な変化と長期依存を効果的に扱うために、全軌道に対するウェーブレット領域で拡散に基づく生成モデルを実行する。第二に、物理システムのモデリングにおける基本的な課題の一つである、様々な解像度の一般化が不十分な問題に対処するために、マルチレゾリューショントレーニングを導入する。我々は,1次元対流方程式,1次元バーガー方程式,1次元圧縮可能なナビエ・ストークス方程式,2次元非圧縮性流体の3つの挑戦的物理系を含む5つの物理系上でWDNOを検証する。注目すべきは、煙漏れ低減を目的とした2次元高次元間接制御タスクの困難な状況において、WDNOは第2ベットベースラインと比較してリークを33.2%削減する。

関連論文リスト

Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
論文参考訳（メタデータ） (2024-11-08T15:22:20Z)
Interpretable and Efficient Data-driven Discovery and Control of Distributed Systems [1.5195865840919498]
強化学習(Reinforcement Learning, RL)は、高次元非線形力学を持つシステムにおいて、有望な制御パラダイムとして登場した。 PDE制御のためのデータ効率,解釈可能,スケーラブルなフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-06T18:26:19Z)
Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
論文参考訳（メタデータ） (2024-10-31T14:26:10Z)
StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文参考訳（メタデータ） (2023-12-02T02:27:58Z)
D-SCo: Dual-Stream Conditional Diffusion for Monocular Hand-Held Object Reconstruction [74.49121940466675]
モノクローナルハンドヘルドオブジェクト再構成のためのCentroid-fixed dual-stream conditionalfusionを導入する。まず、対象のセントロイドがずれることを避けるために、手動制約付きセントロイド固定パラダイムを用いる。第2に、意味的および幾何学的に手動物体の相互作用をモデル化するための二重ストリームデノイザを導入する。
論文参考訳（メタデータ） (2023-11-23T20:14:50Z)
Forecasting through deep learning and modal decomposition in two-phase concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文参考訳（メタデータ） (2022-12-24T12:59:41Z)
Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文参考訳（メタデータ） (2022-10-13T10:00:30Z)
Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文参考訳（メタデータ） (2022-07-28T19:59:14Z)
Learning to Accelerate Partial Differential Equations via Latent Global Evolution [64.72624347511498]
The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
論文参考訳（メタデータ） (2022-06-15T17:31:24Z)
WaveNet-Based Deep Neural Networks for the Characterization of Anomalous Diffusion (WADNet) [0.0]
異常拡散は物理的、化学的、生物学的、経済的システムの進化に関与している。この課題は,単一軌跡評価のための新しいアプローチを客観的に評価し,比較することを目的としている。 We developed a WaveNet-based Deep Neural Network (WADNet) by using a modified WaveNet encoder with long short-term memory network。
論文参考訳（メタデータ） (2021-06-14T19:41:15Z)
Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文参考訳（メタデータ） (2020-01-21T11:58:41Z)

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。