論文の概要: Conditional neural field for spatial dimension reduction of turbulence data: a comparison study

• arxiv url: http://arxiv.org/abs/2510.25135v1
• Date: Wed, 29 Oct 2025 03:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.000958
• Title: Conditional neural field for spatial dimension reduction of turbulence data: a comparison study
• Title（参考訳）: 乱流データの空間次元低減のための条件付きニューラルネットワーク--比較研究
• Authors: Junyi Guo, Pan Du, Xiantao Fan, Yahui Li, Jian-Xun Wang,
• Abstract要約: 条件付きニューラルネットワーク(CNFs)は、メッシュに依存しない座標ベースのデコーダである。 我々は、CNFを適切な直交分解と畳み込みオートエンコーダに対して、統一的な符号化・復号化フレームワーク内でベンチマークする。 複雑度をローカライズする新規ドメイン分解型CNFを提案する。
• 参考スコア（独自算出の注目度）: 3.1190164503669684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate conditional neural fields (CNFs), mesh-agnostic, coordinate-based decoders conditioned on a low-dimensional latent, for spatial dimensionality reduction of turbulent flows. CNFs are benchmarked against Proper Orthogonal Decomposition and a convolutional autoencoder within a unified encoding-decoding framework and a common evaluation protocol that explicitly separates in-range (interpolative) from out-of-range (strict extrapolative) testing beyond the training horizon, with identical preprocessing, metrics, and fixed splits across all baselines. We examine three conditioning mechanisms: (i) activation-only modulation (often termed FiLM), (ii) low-rank weight and bias modulation (termed FP), and (iii) last-layer inner-product coupling, and introduce a novel domain-decomposed CNF that localizes complexities. Across representative turbulence datasets (WMLES channel inflow, DNS channel inflow, and wall pressure fluctuations over turbulent boundary layers), CNF-FP achieves the lowest training and in-range testing errors, while CNF-FiLM generalizes best for out-of-range scenarios once moderate latent capacity is available. Domain decomposition significantly improves out-of-range accuracy, especially for the more demanding datasets. The study provides a rigorous, physics-aware basis for selecting conditioning, capacity, and domain decomposition when using CNFs for turbulence compression and reconstruction.
• Abstract（参考訳）: 乱流の空間的次元的低減のために,低次元潜時条件付きメッシュ非依存,座標に基づくデコーダである条件付きニューラルネットワーク(CNFs)について検討した。 CNFは、統一符号化デコーディングフレームワークと、トレーニングの地平線を越えた範囲外(限定外)テストから、すべてのベースラインにわたって同じ前処理、メトリクス、固定分割を明示的に分離する共通評価プロトコル内の畳み込みオートエンコーダと、適切な直交分解と畳み込みオートエンコーダとをベンチマークする。 3つの条件付け機構について検討する。 (i)アクティベーションのみの変調(しばしばFiLM) (二)低ランク重量・偏差変調(FP)及び 3) 最終層内積結合, 複雑度を局在させる新規ドメイン分解型CNFの導入。 代表的乱流データセット(WMLESチャネルインフロー、DNSチャネルインフロー、乱流境界層上の壁圧変動)全体において、CNF-FPは最低のトレーニングとインレンジテストエラーを達成する。 ドメイン分解は、特に要求の厳しいデータセットにおいて、範囲外精度を大幅に改善する。 この研究は、CNFを用いて乱流の圧縮と再構成を行う場合、条件付け、キャパシティ、ドメイン分解を選択するための厳密で物理学的な基礎を提供する。

関連論文リスト

• Bayesian Fully-Connected Tensor Network for Hyperspectral-Multispectral Image Fusion [20.64193953092791]
  ハイパースペクトル・マルチスペクトル画像融合のための完全接続ネットワーク(BFCTN)分解法を提案する。 BFCTNは、最先端の核融合精度と強靭性を達成するだけでなく、複雑な実世界のシナリオにも実用的な適用性を示す。
  論文  参考訳（メタデータ） (2025-10-21T08:19:54Z)
• Representing Flow Fields with Divergence-Free Kernels for Reconstruction [26.098802942143642]
  分散自由カーネル(DFK)に基づく新しい流れ場再構築フレームワークを提案する。 DFKs-Wen4は速度場に対する解析的分散のない近似の最適形である。
  論文  参考訳（メタデータ） (2025-04-02T17:13:59Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Probabilistic partition of unity networks: clustering based deep approximation [0.0]
  ユニタリネットワーク(POU-Nets)の分割は、回帰とPDEの解に対する代数収束率を実現することができる。 ガウス雑音モデルを用いてPOU-Netを拡張し、最大可算損失の勾配に基づく一般化を導出できる確率的一般化を得る。 本研究では,高次元・低次元での性能を定量化するためのベンチマークを行い,高次元空間内のデータの潜在次元にのみ依存することを示す。
  論文  参考訳（メタデータ） (2021-07-07T08:02:00Z)
• Local approximate Gaussian process regression for data-driven constitutive laws: Development and comparison with neural networks [0.0]
  局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。 FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
  論文  参考訳（メタデータ） (2021-05-07T14:49:28Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。