論文の概要: Let's Do Turbulence Right: In Space and Time!
- arxiv url: http://arxiv.org/abs/2610.32601v1
- Date: Fri, 23 Oct 2026 13:26:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.52526
- Title: Let's Do Turbulence Right: In Space and Time!
- Title（参考訳）: 宇宙と時間で乱流を起こそう!
- Abstract要約: ニューラルネットワークが記録された乱流運動をどのように表現するかを研究する。
我々は,3+1次元乱流を4次元現象として扱うことを機械学習コミュニティに呼びかけた。
- 参考スコア（独自算出の注目度）: 23.111558666924534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The three-dimensional Navier-Stokes equations govern fluid turbulence, a chaotic and non-linear physical phenomenon characterized by complex eddies interacting across vast spatial and temporal scales. A numerically accurate modeling of this multi-scale energy cascade requires fully resolving both the fine spatial structures and the continuous temporal evolution of the flow field. In this paper, we leverage massive, time-resolved direct numerical simulations, which exceed 28 TB per run, to assess how numerical choices govern the resolved (3+1)-dimensional physics of turbulent flows. Building on this analysis, we study how neural networks represent the recorded turbulent motion. Our results highlight that spatial and temporal assessments can disagree for both numerical records and learned representations. We therefore call on the machine learning community to treat (3+1)-dimensional turbulence as a four-dimensional phenomenon.
- Abstract（参考訳）: 三次元ナビエ・ストークス方程式は、大きな空間的および時間的スケールで相互作用する複雑な渦を特徴とする、カオス的で非線形な物理現象である流体乱流を制御している。
この多スケールエネルギーカスケードを数値的に正確にモデル化するには、微細な空間構造と流れ場の連続的時間的進化の両方を完全に解決する必要がある。
本稿では, 乱流の3+1次元物理の数値的選択がどう制御するかを評価するため, 時間分解直接数値シミュレーションを1ラン当たり28 TBを超えている。
この解析に基づいて、ニューラルネットワークが記録された乱流運動をどのように表現するかを研究する。
この結果から,空間的・時間的評価は数値記録と学習表現の両方に相反する可能性が示唆された。
そこで我々は,3+1次元乱流を4次元現象として扱うことを機械学習コミュニティに呼びかけた。
関連論文リスト
- Physics is the Best Teacher: Consistency Learning for Time-Invariant Operators of Chaotic Dynamics [68.73738609860875]
システムの時間不変進化演算子を学習する手法を開発した。
物理蒸留された整合性は、短期軌跡と長期統計をより正確にする。
学習者は時間外挿を継続し、自動回帰ロールアウトのような多くの評価を必要とする。
論文 参考訳（メタデータ） (2026-10-02T22:27:03Z) - From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。
微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
論文 参考訳（メタデータ） (2025-12-01T11:47:49Z) - Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - A 5-Point Minimal Solver for Event Camera Relative Motion Estimation [47.45081895021988]
本稿では,直線パラメータと線形カメラ速度予測を推定し,複数の直線を考慮した場合の1つの平均線形速度に融合できる新しい最小5点解法を提案する。
本手法は,既存の閉形式解法が23%から70%しか達成できない線形速度の推定において,連続的に100%の成功率を達成する。
論文 参考訳（メタデータ） (2023-09-29T08:30:18Z) - From Zero to Turbulence: Generative Modeling for 3D Flow Simulation [45.626346087828765]
本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。
生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
論文 参考訳（メタデータ） (2023-05-29T18:20:28Z) - Convolutional autoencoder for the spatiotemporal latent representation
of turbulence [5.8010446129208155]
乱流の潜在表現を得るために3次元多次元畳み込みオートエンコーダ(CAE)を用いる。
マルチスケールCAEは効率が良く、データを圧縮するための適切な分解よりも10%以下の自由度を必要とする。
提案したディープラーニングアーキテクチャは、データからの乱流の非線形低次モデリングの機会を開放する。
論文 参考訳（メタデータ） (2023-01-31T16:06:54Z) - Modelling spatiotemporal turbulent dynamics with the convolutional
autoencoder echo state network [5.8010446129208155]
乱流の力学はカオス的で予測が難しい
本稿では, 乱流状態の非線形分解法を提案する。
論文 参考訳（メタデータ） (2022-11-21T11:49:57Z) - Deep learning delay coordinate dynamics for chaotic attractors from
partial observable data [0.0]
深層ニューラルネットワークを用いて離散時間マップと部分状態の連続時間フローを学習する。
我々は, 3次元多様体上のスカラー観測から, ロレンツ系を経由したカオス挙動を予測するために, 深部ANNの能力を示す。
論文 参考訳（メタデータ） (2022-11-20T19:25:02Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。
乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。
提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文 参考訳（メタデータ） (2021-01-28T19:10:00Z)
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。