論文の概要: Explainable deep learning reveals the physical mechanisms behind the turbulent kinetic energy equation

• arxiv url: http://arxiv.org/abs/2601.20052v1
• Date: Tue, 27 Jan 2026 20:55:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.66116
• Title: Explainable deep learning reveals the physical mechanisms behind the turbulent kinetic energy equation
• Title（参考訳）: 説明可能な深層学習は乱流運動エネルギー方程式の物理的メカニズムを明らかにする
• Authors: Francisco Alcántara-Ávila, Andrés Cremades, Sergio Hoyas, Ricardo Vinuesa,
• Abstract要約: 説明可能な深層学習(XDL)を用いた乱流運動エネルギー輸送の物理機構について検討する。 SHAP (SHapley Additive exPlanations) に基づくXDLモデルを用いて, 乱流流の運動エネルギー予算項の進化のために, 高重要性構造を同定し, パーコレーションする。
• 参考スコア（独自算出の注目度）: 3.1658122514024334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we investigate the physical mechanisms governing turbulent kinetic energy transport using explainable deep learning (XDL). An XDL model based on SHapley Additive exPlanations (SHAP) is used to identify and percolate high-importance structures for the evolution of the turbulent kinetic energy budget terms of a turbulent channel flow at a friction Reynolds number of $Re_τ= 125$. The results show that the important structures are predominantly located in the near-wall region and are more frequently associated with sweep-type events. In the viscous layer, the SHAP structures relevant for production and viscous diffusion are almost entirely contained within those relevant for dissipation, revealing a clear hierarchical organization of near-wall turbulence. In the outer layer, this hierarchical organization breaks down and only velocity-pressure-gradient correlation and turbulent transport SHAP structures remain, with a moderate spatial coincidence of approximately $60\%$. Finally, we show that none of the coherent structures classically studied in turbulence are capable of representing the mechanisms behind the various terms of the turbulent kinetic energy budget throughout the channel. These results reveal dissipation as the dominant organizing mechanism of near-wall turbulence, constraining production and viscous diffusion within a single structural hierarchy that breaks down in the outer layer.
• Abstract（参考訳）: 本研究では,説明可能な深層学習(XDL)を用いた乱流運動エネルギー輸送の物理機構について検討する。 SHAP(SHapley Additive exPlanations)に基づくXDLモデルは、レイノルズ数$Re_τ=125$の摩擦における乱流流の乱流運動エネルギー予算項の進化のために、高重要性構造を同定し、パーコレーションするために用いられる。 以上の結果から,重要な構造は概壁部に位置し,より頻繁にスイープ型イベントと関連があることが示唆された。 粘性層では、生産と粘性拡散に関連するSHAP構造が散逸に関連する構造にほぼ完全に含まれており、ほぼ壁近傍の乱流の明確な階層構造が明らかである。 外層では、この階層構造が崩壊し、速度-圧力-勾配相関と乱流輸送SHAP構造のみが残る。 最後に, 乱流において古典的に研究されているコヒーレント構造は, 流路内における変動運動エネルギー予算の様々な条件の背景にあるメカニズムを表現できないことを示す。 これらの結果から, 外部層に崩壊する単一構造構造層内の近傍壁乱流, 生産の制限, 粘性拡散の機構として, 散逸が支配的であることが明らかとなった。

関連論文リスト

• Identifying recurrent flows in high-dimensional dissipative chaos from low-dimensional embeddings [0.0]
  不安定周期軌道(unstable periodic orbit、UPOs)は、決定論的カオス時間軌道の非カオスな構成要素である。 カオスアトラクターの低次元埋め込みに直接UPOのループ収束アルゴリズムを提案する。 モデルPDE と 2D Navier-Stokes 方程式の両方の潜在 UPO と物理的 UPO の等価性を実証する。
  論文  参考訳（メタデータ） (2026-01-04T16:35:23Z)
• Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
  スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。 我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
  論文  参考訳（メタデータ） (2025-12-05T07:05:53Z)
• Disorder-Induced Anomalous Diffusion in a 3D Spin Network [0.07456526005219319]
  本研究では, 核スピンアンサンブルを局所測定により解析し, 核スピンアンサンブルについて検討した。 双極子スピンアンサンブルにおけるパーコレーションネットワークの創発的フラクタル構造上のランダムウォークとしてモデル化したサブ拡散状態への明らかな位相遷移を観察する。
  論文  参考訳（メタデータ） (2025-10-10T17:02:31Z)
• Spatiotemporal dynamics of moiré excitons in van der Waals heterostructures [0.0]
  遷移金属ジアルゲナイド(TMD)のヘテロ構造は、光電子工学においてユニークな機会を与える。 TMDは、強い光-物質相互作用と双極子間励起子の形成により、光エレクトロニクスにおいてユニークな機会を提供する。 近年の進歩は、モワールパターン系における層間励起子の直接観察と制御を可能にしている。
  論文  参考訳（メタデータ） (2025-09-15T11:48:43Z)
• Active-Dormant Attention Heads: Mechanistically Demystifying Extreme-Token Phenomena in LLMs [77.66717051042032]
  実践者は変圧器に基づく大言語モデルにおいて、3つのパズリング現象を一貫して観察してきた。 これらの現象は、ある種のいわゆる「シンクトークン」が不当に高い注意重みを負っているのが特徴である。 極端トーケン現象のメカニズムを解明する。
  論文  参考訳（メタデータ） (2024-10-17T17:54:06Z)
• Transformers from Diffusion: A Unified Framework for Neural Message Passing [79.9193447649011]
  メッセージパッシングニューラルネットワーク(MPNN)は、デファクトクラスのモデルソリューションとなっている。 本稿では,拡散の誘導バイアスとエネルギーの層的制約を統合するエネルギー制約拡散モデルを提案する。 これらの知見に基づいて、我々はTransformer (DIFFormer)と呼ばれる新しいタイプのメッセージパッシングモデルを考案した。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Turbulence Scaling from Deep Learning Diffusion Generative Models [0.8192907805418583]
  拡散モデルを用いて乱流渦分布の分布を学習する。 圧縮不能なNavier-Stokes方程式に対する乱流解のスナップショットを生成する。 学習したスケーリング指数はすべて、期待されるKolmogorovスケーリングと一致している。
  論文  参考訳（メタデータ） (2023-11-10T15:27:07Z)
• A Planning-and-Exploring Approach to Extreme-Mechanics Force Fields [1.223779595809275]
  我々は、ひずみ状態の空間のプリサンプリングとアクティブラーニング技術を組み合わせることで、骨折のためのニューラルネットワークベースの力場、NN-F$3$を開発する。 NN-F$3$の能力は、モデル問題としてh-BNおよびツイスト二層グラフェンの破断を研究することによって実証される。
  論文  参考訳（メタデータ） (2023-10-30T06:59:01Z)

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。