論文の概要: Machine learning for modelling unstructured grid data in computational physics: a review
- arxiv url: http://arxiv.org/abs/2502.09346v1
- Date: Thu, 13 Feb 2025 14:11:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:47:12.094643
- Title: Machine learning for modelling unstructured grid data in computational physics: a review
- Title(参考訳): 計算物理学における非構造化グリッドデータのモデリングのための機械学習
- Authors: Sibo Cheng, Marc Bocquet, Weiping Ding, Tobias Sebastian Finn, Rui Fu, Jinlong Fu, Yike Guo, Eleda Johnson, Siyi Li, Che Liu, Eric Newton Moro, Jie Pan, Matthew Piggott, Cesar Quilodran, Prakhar Sharma, Kun Wang, Dunhui Xiao, Xiao Xue, Yong Zeng, Mingrui Zhang, Hao Zhou, Kewei Zhu, Rossella Arcucci,
- Abstract要約: 非構造化グリッドデータは計算物理学における複雑な幾何学や力学のモデル化に不可欠である。
このレビューは、非構造化グリッドデータに機械学習アプローチを適用しようとする計算科学者のためのガイドブックとして意図されている。
MLメソッドが従来の数値技術の本質的な制限を克服する方法について、特に焦点を当てている。
非構造化データを用いた生成モデルやメッシュ生成のための強化学習,ハイブリッド物理データ駆動パラダイムなど,新たな方向性について論じる。
- 参考スコア(独自算出の注目度): 37.19820094095164
- License:
- Abstract: Unstructured grid data are essential for modelling complex geometries and dynamics in computational physics. Yet, their inherent irregularity presents significant challenges for conventional machine learning (ML) techniques. This paper provides a comprehensive review of advanced ML methodologies designed to handle unstructured grid data in high-dimensional dynamical systems. Key approaches discussed include graph neural networks, transformer models with spatial attention mechanisms, interpolation-integrated ML methods, and meshless techniques such as physics-informed neural networks. These methodologies have proven effective across diverse fields, including fluid dynamics and environmental simulations. This review is intended as a guidebook for computational scientists seeking to apply ML approaches to unstructured grid data in their domains, as well as for ML researchers looking to address challenges in computational physics. It places special focus on how ML methods can overcome the inherent limitations of traditional numerical techniques and, conversely, how insights from computational physics can inform ML development. To support benchmarking, this review also provides a summary of open-access datasets of unstructured grid data in computational physics. Finally, emerging directions such as generative models with unstructured data, reinforcement learning for mesh generation, and hybrid physics-data-driven paradigms are discussed to inspire future advancements in this evolving field.
- Abstract(参考訳): 非構造化グリッドデータは計算物理学における複雑な幾何学や力学のモデル化に不可欠である。
しかし、その固有の不規則性は、従来の機械学習(ML)技術に重大な課題をもたらす。
本稿では,高次元力学系における非構造化グリッドデータを扱うための高度なML手法の総合的なレビューを行う。
議論されている主なアプローチは、グラフニューラルネットワーク、空間的注意機構を備えたトランスフォーマーモデル、補間積分ML法、物理情報ニューラルネットワークのようなメッシュレス技術である。
これらの手法は流体力学や環境シミュレーションなど様々な分野において有効であることが証明されている。
このレビューは、計算物理学の課題に対処しようとする機械学習研究者のためのガイドブックとして意図されている。
これは、ML手法が従来の数値技術の本質的な限界を克服し、逆に計算物理学からの洞察がML開発にどのように役立つかに特に焦点をあてる。
ベンチマークをサポートするために、このレビューは計算物理学における非構造化グリッドデータのオープンアクセスデータセットの要約も提供する。
最後に、非構造化データを用いた生成モデル、メッシュ生成のための強化学習、ハイブリッド物理データ駆動パラダイムといった新たな方向性について論じ、この発展分野における将来的な発展を促す。
関連論文リスト
- Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳(メタデータ) (2025-02-16T23:13:55Z) - Combining physics-based and data-driven models: advancing the frontiers of research with Scientific Machine Learning [3.912796219404492]
機械学習は物理に基づくモデルとデータ駆動モデルを組み合わせる。
SciMLを使えば、物理と数学的知識を機械学習アルゴリズムに注入できる。
我々は、偏微分方程式によって支配される複雑な問題を解くために、多種多様なSciML戦略の大きな可能性について論じる。
論文 参考訳(メタデータ) (2025-01-30T19:09:38Z) - Geometry Matters: Benchmarking Scientific ML Approaches for Flow Prediction around Complex Geometries [23.111935712144277]
複雑な地形周辺の流体力学の迅速かつ正確なシミュレーションは、様々な工学的・科学的応用において重要である。
科学機械学習(SciML)は将来性を示しているが、ほとんどの研究は単純な測地に制約されている。
本研究では,複雑な地形上の流動予測のための多様なSciMLモデルをベンチマークすることで,このギャップを解消する。
論文 参考訳(メタデータ) (2024-12-31T00:23:15Z) - Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳(メタデータ) (2024-08-22T07:33:11Z) - Data-Driven Computing Methods for Nonlinear Physics Systems with Geometric Constraints [0.7252027234425334]
本稿では、物理に基づく先行技術と高度な機械学習技術との相乗効果を生かした、新しいデータ駆動型フレームワークを提案する。
本フレームワークでは, 特定の非線形系のクラスに合わせて, 特定の物理系を組み込んだ4つのアルゴリズムを紹介する。
これらの事前の統合はまた、ニューラルネットワークの表現力を高め、物理的現象に典型的な複雑なパターンをキャプチャすることを可能にする。
論文 参考訳(メタデータ) (2024-06-20T23:10:41Z) - Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳(メタデータ) (2024-02-28T02:16:03Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics [1.8749305679160366]
本研究では,Navier-Stokes方程式を解くために,有限要素ソルバ内にディープラーニングモデルを埋め込むフレームワークを提案する。
後方向きのステップを流れる流れの手法を検証し,その性能を新しい測地で検証する。
我々は,GNNに基づくクロージャモデルについて,解法制約付き最適化としてクロージャモデリングを解釈することにより,データ制限シナリオで学習可能であることを示す。
論文 参考訳(メタデータ) (2023-07-25T14:27:49Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z)
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。