Fugu-MT 論文翻訳(概要): Shape Invariant 3D-Variational Autoencoder: Super Resolution in Turbulence flow

論文の概要: Shape Invariant 3D-Variational Autoencoder: Super Resolution in Turbulence flow

arxiv url: http://arxiv.org/abs/2507.22082v1
Date: Sat, 26 Jul 2025 17:28:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-31 16:14:17.754054
Title: Shape Invariant 3D-Variational Autoencoder: Super Resolution in Turbulence flow
Title（参考訳）: 形状不変3次元可変オートエンコーダ:乱流の超解像
Authors: Anuraj Maurya,
Abstract要約: ディープラーニングは、構造化されたデータセットから情報を抽出し、基礎となる流体現象のより深い理解を可能にする、多種多様な方法スイートを提供する。特に乱流モデリングの分野は、複数の時間的ダイナミックスケールにまたがる実験、観測、大規模シミュレーションを通じて得られた高次元データの増加による恩恵を受けている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Deep learning provides a versatile suite of methods for extracting structured information from complex datasets, enabling deeper understanding of underlying fluid dynamic phenomena. The field of turbulence modeling, in particular, benefits from the growing availability of high-dimensional data obtained through experiments, field observations, and large-scale simulations spanning multiple spatio-temporal scales. This report presents a concise overview of both classical and deep learningbased approaches to turbulence modeling. It further investigates two specific challenges at the intersection of fluid dynamics and machine learning: the integration of multiscale turbulence models with deep learning architectures, and the application of deep generative models for super-resolution reconstruction
Abstract（参考訳）: ディープラーニングは複雑なデータセットから構造化情報を抽出し、基礎となる流体力学現象のより深い理解を可能にする。特に乱流モデリングの分野は、複数の時空間スケールにまたがる実験、観測、大規模シミュレーションを通じて得られた高次元データの増加による恩恵を受けている。本報告では, 乱流モデリングにおける古典的および深層学習的アプローチの簡潔な概要について述べる。さらに、流体力学と機械学習の交差における2つの具体的な課題について、深層学習アーキテクチャによるマルチスケール乱流モデルの統合と、超解像再構成のための深部生成モデルの適用について検討した。

関連論文リスト

Learning Stochastic Multiscale Models [1.8416014644193066]
本稿では,観測データから直接微分方程式の形でマルチスケールモデルを学習する手法を提案する。我々は,現代のフォワードソルバフリーアモータライズされた変分推定法を用いて,マルチスケールモデルのパラメータを学習する。本手法は流体力学における大規模シミュレーションのような物理に基づくマルチスケールモデリング手法から着想を得たものである。
論文参考訳（メタデータ） (2025-06-27T21:57:06Z)
Learnable Infinite Taylor Gaussian for Dynamic View Rendering [55.382017409903305]
本稿では,ガウスの時間的進化をモデル化するための学習可能なテイラー式に基づく新しいアプローチを提案する。提案手法は,本領域における最先端性能を実現する。
論文参考訳（メタデータ） (2024-12-05T16:03:37Z)
Deep Learning for Koopman Operator Estimation in Idealized Atmospheric Dynamics [2.2489531925874013]
ディープラーニングは、気象予報に革命をもたらしており、新しいデータ駆動モデルは、中期予測のための運用物理モデルと同等の精度を達成している。これらのモデルは解釈可能性に欠けることが多く、基礎となる力学を理解するのが難しく、説明が難しい。本稿では、データ駆動モデルの透明性を高めるために、複雑な非線形力学の線形表現を提供するクープマン作用素を推定する手法を提案する。
論文参考訳（メタデータ） (2024-09-10T13:56:54Z)
Generative Learning for Forecasting the Dynamics of Complex Systems [5.393540462038596]
本稿では,複雑なシステムのシミュレーションを高速化するための生成モデルについて紹介する。その結果、生成学習は、計算コストを削減し、複雑なシステムの統計特性を正確に予測するための新たなフロンティアを提供することを示した。
論文参考訳（メタデータ） (2024-02-27T02:44:40Z)
A Novel Paradigm in Solving Multiscale Problems [14.84863023066158]
本稿では,大規模力学を独立にモデル化し,小規模力学をスレーブシステムとして扱うことにより,新しい疎結合解法を提案する。スペクトル物理学インフォームドニューラルネットワーク(PINN)は,小型システムを効率的かつ高精度に特徴付けるために開発された。
論文参考訳（メタデータ） (2024-02-07T18:19:51Z)
Pre-training Contextualized World Models with In-the-wild Videos for Reinforcement Learning [54.67880602409801]
本稿では,視覚制御タスクの学習を効率的に行うために,Wild 動画を多用した事前学習型世界モデルの課題について検討する。本稿では、コンテキストと動的モデリングを明確に分離したContextualized World Models(ContextWM)を紹介する。実験により,ContextWMを内蔵したWildビデオ事前学習は,モデルベース強化学習のサンプル効率を大幅に向上できることが示された。
論文参考訳（メタデータ） (2023-05-29T14:29:12Z)
Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文参考訳（メタデータ） (2022-10-07T17:56:53Z)
ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object Manipulation [135.10594078615952]
本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
論文参考訳（メタデータ） (2022-03-14T04:56:55Z)
Learning Low-Dimensional Quadratic-Embeddings of High-Fidelity Nonlinear Dynamics using Deep Learning [9.36739413306697]
データから動的モデルを学ぶことは、エンジニアリング設計、最適化、予測において重要な役割を果たす。深層学習を用いて高忠実度力学系に対する低次元埋め込みを同定する。
論文参考訳（メタデータ） (2021-11-25T10:09:00Z)
Model Complexity of Deep Learning: A Survey [79.20117679251766]
深層学習におけるモデル複雑性に関する最新の研究を体系的に概観します。本稿では,これら2つのカテゴリに関する既存研究について,モデルフレームワーク,モデルサイズ,最適化プロセス,データ複雑性の4つの重要な要因について概説する。
論文参考訳（メタデータ） (2021-03-08T22:39:32Z)
Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文参考訳（メタデータ） (2020-05-18T18:45:09Z)
Context-aware Dynamics Model for Generalization in Model-Based Reinforcement Learning [124.9856253431878]
グローバルなダイナミクスモデルを学習するタスクを,(a)ローカルなダイナミクスをキャプチャするコンテキスト潜在ベクトルを学習し,(b)次に条件付き状態を予測するという2つの段階に分割する。本研究では,コンテキスト潜在ベクトルに動的情報をエンコードするために,コンテキスト潜在ベクトルを前方と後方の両方のダイナミクスを予測するのに役立つような新しい損失関数を導入する。提案手法は,既存のRL方式と比較して,様々なシミュレーションロボットや制御タスクの一般化能力に優れる。
論文参考訳（メタデータ） (2020-05-14T08:10:54Z)

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。