論文の概要: Capturing Extreme Events in Turbulence using an Extreme Variational Autoencoder (xVAE)
- arxiv url: http://arxiv.org/abs/2502.04685v1
- Date: Fri, 07 Feb 2025 06:17:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:55:56.358357
- Title: Capturing Extreme Events in Turbulence using an Extreme Variational Autoencoder (xVAE)
- Title（参考訳）: 極変分オートエンコーダ(xVAE)を用いた乱流における極端事象の捕捉
- Authors: Likun Zhang, Kiran Bhaganagar, Christopher K. Wikle,
- Abstract要約: Extreme variational Autoencoder (xVAE) は、重み付き分布を持つ最大無制限のプロセスを標準のVAEフレームワークに組み込む。
xVAEは、データの非線形潜在表現を学習することで、システム次元を減少させる。
- 参考スコア（独自算出の注目度）: 2.393499494583
- License:
- Abstract: Turbulent flow fields are characterized by extreme events that are statistically intermittent and carry a significant amount of energy and physical importance. To emulate these flows, we introduce the extreme variational Autoencoder (xVAE), which embeds a max-infinitely divisible process with heavy-tailed distributions into a standard VAE framework, enabling accurate modeling of extreme events. xVAEs are neural network models that reduce system dimensionality by learning non-linear latent representations of data. We demonstrate the effectiveness of xVAE in large-eddy simulation data of wildland fire plumes, where intense heat release and complex plume-atmosphere interactions generate extreme turbulence. Comparisons with the commonly used Proper Orthogonal Decomposition (POD) modes show that xVAE is more robust in capturing extreme values and provides a powerful uncertainty quantification framework using variational Bayes. Additionally, xVAE enables analysis of the so-called copulas of fields to assess risks associated with rare events while rigorously accounting for uncertainty, such as simultaneous exceedances of high thresholds across multiple locations. The proposed approach provides a new direction for studying realistic turbulent flows, such as high-speed aerodynamics, space propulsion, and atmospheric and oceanic systems that are characterized by extreme events.
- Abstract（参考訳）: 乱流場は、統計的に断続的であり、かなりの量のエネルギーと物理的重要性を持つ極端な事象によって特徴づけられる。
これらの流れをエミュレートするために、極端変動オートエンコーダ(xVAE)を導入し、極端変動イベントの正確なモデリングを可能にする。
xVAEは、データの非線形潜在表現を学習することで、システム次元を減少させるニューラルネットワークモデルである。
本研究では, 激しい放熱と複雑な気気-大気相互作用が極端に乱流を生じさせる山火事の大規模シミュレーションデータにおいて, xVAEの有効性を実証する。
一般に使われている固有直交分解(POD)モードと比較すると、xVAEは極端な値を取得する上でより堅牢であり、変分ベイを用いた強力な不確実性定量化フレームワークを提供する。
さらに、xVAEは、複数の場所にわたる高い閾値の同時超過などの不確実性を厳格に説明しながら、まれな事象に関連するリスクを評価するために、いわゆるフィールドのコプラの分析を可能にする。
提案手法は, 高速空力, 宇宙推進, 極端事象を特徴とする大気・海洋系など, 現実的な乱流を研究するための新たな方向を提供する。
関連論文リスト
- Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。
我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。
この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
論文 参考訳（メタデータ） (2024-06-12T02:34:24Z) - Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。
提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文 参考訳（メタデータ） (2024-05-31T20:05:17Z) - Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。
リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。
我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
論文 参考訳（メタデータ） (2024-02-03T08:41:51Z) - Bayesian Conditional Diffusion Models for Versatile Spatiotemporal
Turbulence Generation [13.278744447861289]
本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。
提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。
数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
論文 参考訳（メタデータ） (2023-11-14T04:08:14Z) - Stochastic Latent Transformer: Efficient Modelling of Stochastically
Forced Zonal Jets [0.0]
本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。
SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。
水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
論文 参考訳（メタデータ） (2023-10-25T16:17:00Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Convolutional autoencoder for the spatiotemporal latent representation
of turbulence [5.8010446129208155]
乱流の潜在表現を得るために3次元多次元畳み込みオートエンコーダ(CAE)を用いる。
マルチスケールCAEは効率が良く、データを圧縮するための適切な分解よりも10%以下の自由度を必要とする。
提案したディープラーニングアーキテクチャは、データからの乱流の非線形低次モデリングの機会を開放する。
論文 参考訳（メタデータ） (2023-01-31T16:06:54Z) - 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) - Learning the structure of wind: A data-driven nonlocal turbulence model
for the atmospheric boundary layer [0.0]
我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。
このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
論文 参考訳（メタデータ） (2021-07-23T06:41:33Z) - T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。
従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。
本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
論文 参考訳（メタデータ） (2020-10-26T21:14:15Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z)
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。