論文の概要: Deep Learning of Solver-Aware Turbulence Closures from Nudged LES Dynamics

• arxiv url: http://arxiv.org/abs/2604.23874v2
• Date: Tue, 28 Apr 2026 19:44:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 13:51:54.047308
• Title: Deep Learning of Solver-Aware Turbulence Closures from Nudged LES Dynamics
• Title（参考訳）: Nudged LES Dynamics を用いたソルバー型乱流クロージャの深部学習
• Authors: Ashwin Suriyanarayanan, Dibyajyoti Chakraborty, Romit Maulik,
• Abstract要約: 本稿では,連続的データ乱流同化手法による乱流閉鎖モデルの深層学習について論じる。 提案手法は, 粗い格子型LESのクロージャのアプリオリトレーニングを可能にし, DNSデータをスパース観測として扱う。 我々は、異なる数値および時間的スキームに適応するモデルの能力を訓練し、評価する。
• 参考スコア（独自算出の注目度）: 1.9800280967139285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning approaches have shown remarkable promise in turbulence closure modeling for large eddy simulations (LES). The differentiable physics paradigm uses the so-called a-posteriori approach for learning by embedding a neural network closure directly inside the solver and optimizing its learnable parameters against ground truth time-series data which may be observed sparsely. This addresses a key limitation of a-priori learning where direct numerical simulation (DNS) data is used to approximate the subgrid stress with the assumption of a filter. However, closures that are trained in this manner frequently lead to unstable deployments due to the mismatch between the assumed filter and the effect of numerical discretizations. However, a-posteriori learning incurs high computational costs due to the need to backpropagate gradients through an LES solver. Furthermore, a-posteriori methods are challenging to apply broadly since they require significant modification of existing solvers. Finally, these approaches have also been observed to be limited when generalization is desired across different numerical schemes. In this work, we discuss a novel approach for the deep learning of turbulence closure models motivated by the continuous data assimilation (CDA) approach (also known as nudging). Our approach enables a-priori training of closures for coarse-grid LES, treating DNS data as sparse observations. This approach enables the deep learning model to successfully learn the required forcing to capture the ground-truth statistics while maintaining long term stability without needing adjoints or backpropagation through the solver. We train and evaluate the model's ability to adapt to different numerical and temporal schemes. Additionally, we analyse the model behavior with varying numerical discretization errors and compare its predictions to traditional closure models.
• Abstract（参考訳）: 深層学習手法は大規模渦シミュレーション(LES)の乱流閉鎖モデルにおいて顕著な可能性を示している。 微分可能な物理学のパラダイムは、いわゆるa-posterioriアプローチを用いて、ニューラルネットワークのクロージャをソルバに直接埋め込んで、学習可能なパラメータを、わずかに観察されるかもしれない地上の真理時系列データに対して最適化することで学習する。 このことは、直接数値シミュレーション(DNS)データを用いて、フィルタを仮定してサブグリッド応力を近似するアプリオリ学習の鍵となる限界に対処する。 しかし、このような方法で訓練されたクロージャは、仮定されたフィルタと数値的な離散化の影響とのミスマッチにより不安定な配置につながることが多い。 しかし、a-posteriori学習は、LESソルバを介して勾配をバックプロパゲートする必要があるため、高い計算コストを発生させる。 さらに,a-posteriori法は既存の解法の大幅な修正を必要とするため,広く適用することは困難である。 最後に、これらのアプローチは、異なる数値スキームにまたがる一般化が望まれるときに制限されることも観察されている。 本研究では,連続データ同化法(CDA)による乱流閉鎖モデルの深層学習について考察する。 提案手法は, 粗い格子型LESのクロージャのアプリオリトレーニングを可能にし, DNSデータをスパース観測として扱う。 このアプローチにより、ディープラーニングモデルは、解答器を介して随伴やバックプロパゲーションを必要とせず、長期的安定性を維持しながら、地平線統計を捕捉するために必要な強制をうまく学習することができる。 我々は、異なる数値および時間的スキームに適応するモデルの能力を訓練し、評価する。 さらに,数値離散化誤差の異なるモデル挙動を解析し,従来のクロージャモデルと比較する。

関連論文リスト

• Simulation-based inference via telescoping ratio estimation for trawl processes [0.0]
  本稿では,高速で高精度なMarkovベースの推論フレームワークを提案する。 チェビシェフ近似を用いて独立な後続サンプルを効率よく生成し,連鎖モンテカルロ法が混在しても正確な推論を可能にする。 エネルギー需要データに適用した柔軟な無限分割可能なモデルのクラスであるトロールプロセスにおいて,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-10-05T05:26:46Z)
• Interpretable Deep Regression Models with Interval-Censored Failure Time Data [1.2993568435938014]
  間隔制限付きデータの深層学習手法は、まだ探索が過小評価されており、特定のデータタイプやモデルに限られている。 本研究は、部分線形変換モデルの幅広いクラスを持つ区間知覚データに対する一般的な回帰フレームワークを提案する。 我々の手法をアルツハイマー病神経イメージングイニシアチブデータセットに適用すると、従来のアプローチと比較して新しい洞察と予測性能が向上する。
  論文  参考訳（メタデータ） (2025-03-25T15:27:32Z)
• Stochastic Control for Fine-tuning Diffusion Models: Optimality, Regularity, and Convergence [19.484676783876306]
  拡散モデルは生成モデリングの強力なツールとして登場してきた。 微調整拡散モデルのための制御フレームワークを提案する。 PI-FTは線形速度で大域収束することを示す。
  論文  参考訳（メタデータ） (2024-12-24T04:55:46Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Dynamic Deep Learning LES Closures: Online Optimization With Embedded DNS [0.0]
  我々は、大規模シミュレーション(LES)におけるディープラーニングクロージャモデルのための新しいオンライントレーニング手法を開発した。 深層学習クロージャモデルは,組込み直接数値シミュレーション(DNS)データを用いてLES計算中に動的に訓練される。 オンライン最適化アルゴリズムは,LES組込みDNS計算における深層学習クロージャモデルを動的に学習するために開発された。
  論文  参考訳（メタデータ） (2023-03-04T06:20:47Z)
• Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
  再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。 この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。 実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
  論文  参考訳（メタデータ） (2022-06-15T01:46:05Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。