論文の概要: A Two-Phase Deep Learning Framework for Adaptive Time-Stepping in High-Speed Flow Modeling
- arxiv url: http://arxiv.org/abs/2506.07969v1
- Date: Mon, 09 Jun 2025 17:44:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:11.087374
- Title: A Two-Phase Deep Learning Framework for Adaptive Time-Stepping in High-Speed Flow Modeling
- Title（参考訳）: 高速流れモデリングにおける適応時間分割のための2相深層学習フレームワーク
- Authors: Jacob Helwig, Sai Sreeharsha Adavi, Xuan Zhang, Yuchao Lin, Felix S. Chim, Luke Takeshi Vizzini, Haiyang Yu, Muhammad Hasnain, Saykat Kumar Biswas, John J. Holloway, Narendra Singh, N. K. Anand, Swagnik Guhathakurta, Shuiwang Ji,
- Abstract要約: そこで我々はShockCastと呼ばれる2段階の機械学習手法を提案する。
ShockCastは高速フローを学習する最初のフレームワークであるため、2つの超音速フローデータセットを生成して評価する。
- 参考スコア（独自算出の注目度）: 43.004155638491156
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider the problem of modeling high-speed flows using machine learning methods. While most prior studies focus on low-speed fluid flows in which uniform time-stepping is practical, flows approaching and exceeding the speed of sound exhibit sudden changes such as shock waves. In such cases, it is essential to use adaptive time-stepping methods to allow a temporal resolution sufficient to resolve these phenomena while simultaneously balancing computational costs. Here, we propose a two-phase machine learning method, known as ShockCast, to model high-speed flows with adaptive time-stepping. In the first phase, we propose to employ a machine learning model to predict the timestep size. In the second phase, the predicted timestep is used as an input along with the current fluid fields to advance the system state by the predicted timestep. We explore several physically-motivated components for timestep prediction and introduce timestep conditioning strategies inspired by neural ODE and Mixture of Experts. As ShockCast is the first framework for learning high-speed flows, we evaluate our methods by generating two supersonic flow datasets, available at https://huggingface.co/datasets/divelab. Our code is publicly available as part of the AIRS library (https://github.com/divelab/AIRS).
- Abstract（参考訳）: 機械学習を用いた高速流れのモデル化の問題点を考察する。
多くの先行研究は、均一なタイムステッピングが現実的な低速流体流に焦点を当てているが、音速に近づくと衝撃波などの急激な変化が現れる。
このような場合、計算コストを同時にバランスしながら、これらの現象を解決するのに十分な時間分解能を許容するために、適応的なタイムステッピング手法を使用することが不可欠である。
そこで我々はShockCastと呼ばれる2段階の機械学習手法を提案する。
第1フェーズでは、時間ステップサイズの予測に機械学習モデルを採用することを提案する。
第2のフェーズでは、予測されたタイムステップを現在の流体場と共に入力として使用し、予測されたタイムステップによりシステム状態を前進させる。
我々は、時間ステップ予測のための物理的動機付けされたいくつかのコンポーネントを探索し、ニューラルネットワークとMixture of Expertsにインスパイアされた時間ステップ条件付け戦略を導入する。
ShockCastは高速フローを学習する最初のフレームワークなので、私たちは2つの超音速フローデータセットを生成してメソッドを評価します。
私たちのコードはAIRSライブラリ(https://github.com/divelab/AIRS)の一部として公開されています。
関連論文リスト
- Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - Mean Flows for One-step Generative Modeling [64.4997821467102]
本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。
ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。
提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
論文 参考訳（メタデータ） (2025-05-19T17:59:42Z) - Phase-aware Training Schedule Simplifies Learning in Flow-Based Generative Models [0.1534667887016089]
本研究では,フローベース生成モデルのパラメータ化に用いる2層オートエンコーダのトレーニングを分析する。
速度場を表すオートエンコーダは,各位相に関係するパラメータのみを推定することにより,簡易化を図る。
論文 参考訳（メタデータ） (2024-12-10T23:21:04Z) - Transfer learning-based physics-informed convolutional neural network
for simulating flow in porous media with time-varying controls [0.0]
多孔質媒質中の二相流をシミュレートする物理インフォームド畳み込みニューラルネットワークを提案する。
有限体積スキームは流れの方程式を識別するために用いられる。
N ノイマン境界条件は半離散方程式にシームレスに組み込まれる。
論文 参考訳（メタデータ） (2023-10-10T05:29:33Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳（メタデータ） (2020-12-16T21:43:38Z) - Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文 参考訳（メタデータ） (2020-06-15T20:59:28Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z)
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。