論文の概要: Stochastic generative methods for stable and accurate closure modeling of chaotic dynamical systems

• arxiv url: http://arxiv.org/abs/2504.09750v1
• Date: Sun, 13 Apr 2025 22:59:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:48:48.270272
• Title: Stochastic generative methods for stable and accurate closure modeling of chaotic dynamical systems
• Title（参考訳）: カオス力学系の安定かつ正確な閉包モデリングのための確率的生成法
• Authors: Emily Williams, David Darmofal,
• Abstract要約: 決定論的サブグリッドスケール(SGS)モデルは、特にカオスと乱流の領域において、散逸し不安定であることが多い。 微分方程式(SDE)を用いた閉包モデリングのためのパラメトリックおよび生成手法を提案する。 本研究では, 揺らぎに基づくモデルの導出と実装を行い, 生成的アプローチによるブリッジ理論モデルの精度向上を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Traditional deterministic subgrid-scale (SGS) models are often dissipative and unstable, especially in regions of chaotic and turbulent flow. Ongoing work in climate science and ocean modeling motivates the use of stochastic SGS models for chaotic dynamics. Further, developing stochastic generative models of underlying dynamics is a rapidly expanding field. In this work, we aim to incorporate stochastic integration toward closure modeling for chaotic dynamical systems. Further, we want to explore the potential stabilizing effect that stochastic models could have on linearized chaotic systems. We propose parametric and generative approaches for closure modeling using stochastic differential equations (SDEs). We derive and implement a quadratic diffusion model based on the fluctuations, demonstrating increased accuracy from bridging theoretical models with generative approaches. Results are demonstrated on the Lorenz-63 dynamical system.
• Abstract（参考訳）: 従来の決定論的サブグリッドスケール(SGS)モデルは、特にカオスと乱流の領域において、散逸し不安定であることが多い。 気候科学と海洋モデルの研究は、カオス力学における確率論的SGSモデルの利用を動機付けている。 さらに、基礎となる力学の確率的生成モデルの開発は急速に拡大する分野である。 本研究では,カオス力学系に対する閉包モデルへの確率的統合の実現を目的とする。 さらに、確率モデルが線形化されたカオスシステムに持つ潜在的な安定化効果について検討したい。 本稿では,確率微分方程式(SDE)を用いた閉包モデルに対するパラメトリックおよび生成的アプローチを提案する。 本研究では, ゆらぎに基づく二次拡散モデルの導出と実装を行い, 生成的アプローチによるブリッジ理論モデルの精度向上を実証した。 結果はローレンツ-63力学系で実証された。

関連論文リスト

• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Data-Driven Stochastic Closure Modeling via Conditional Diffusion Model and Neural Operator [0.0]
  クロージャモデルは、乱流や地球系のような複雑なマルチスケール力学系をシミュレートするのに広く用いられている。 明確なスケールを持たないシステムでは、一般化決定論的および局所閉包モデルは十分な能力に欠けることが多い。 ニューラル演算子と非局所クロージャモデルを構築するためのデータ駆動モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T05:21:31Z)
• Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
  本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。 提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。 この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-06-17T10:21:01Z)
• Neural Ideal Large Eddy Simulation: Modeling Turbulence with Neural Stochastic Differential Equations [22.707574194338132]
  乱流閉包モデルからの理想渦シミュレーション(LES)と大規模モデリングのためのニューラル微分方程式(SDE)の2つの強力なアイデアを同化するデータ駆動学習フレームワークを提案する。 我々は,この手法がカオス力学系において有効であることを示す: レイノルズ数20,000のコルモゴロフ流。
  論文  参考訳（メタデータ） (2023-06-01T22:16:28Z)
• Reservoir Computing with Error Correction: Long-term Behaviors of Stochastic Dynamical Systems [5.815325960286111]
  本稿では,Reservoir Computingと正規化フローを組み合わせたデータ駆動型フレームワークを提案する。 提案手法の有効性をVan der Pal, El Nino-Southern Oscillation Simple model, Lorenz system などいくつかの実験で検証した。
  論文  参考訳（メタデータ） (2023-05-01T05:50:17Z)
• 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)
• Reduced Order Dynamical Models For Complex Dynamics in Manufacturing and Natural Systems Using Machine Learning [0.0]
  この研究は、機械学習(ML)アプローチを用いて製造と自然システムの低次モデルを開発する。 本手法はダイズ油からダイズ油までのプロセスプラントと湖沼システムで実証された。 以上の結果から, プロセスプラントの高精度線形ODEモデルを同定し, 基礎となる線形化学量測定機構と力学を駆動する質量収支を考察した。
  論文  参考訳（メタデータ） (2021-10-15T18:44:27Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
  流体シミュレーションにおける神経常微分方程式の利用について検討する。 テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。 本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
  論文  参考訳（メタデータ） (2021-04-22T19:20:47Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。