論文の概要: OPINE: Orthogonal Projection in Invertible Nonlinear Embeddings for Turbulent Flows
- arxiv url: http://arxiv.org/abs/2611.00216v1
- Date: Fri, 30 Oct 2026 18:00:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 02:42:03.666144
- Title: OPINE: Orthogonal Projection in Invertible Nonlinear Embeddings for Turbulent Flows
- Title(参考訳): OPINE:乱流に対する可逆非線形埋め込みの直交射影
- Abstract要約: Invertible Embeddings (OPINE) における直交射影(Orthogonal Projection in Invertible Embeddings)を導入する。
写像は可逆であるため、全ての情報損失はPOD射影で発生し、訓練後にその基底を順序付けすると、1つのモデルから全ての小さな次元の座標が減少する。
我々は, 人工的, カオス的な倉本-シヴァシンスキー力学, 強制バーガース乱流, 2次元コルモゴロフ流, および3次元最小流路流についてOPINEを評価した。
- 参考スコア(独自算出の注目度): 4.268237978506809
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Proper orthogonal decomposition (POD) represents physical fields with orthogonal modes ordered by variance, so that one decomposition gives reduced coordinates in every dimension, but it needs many modes when the data lie near a curved manifold. Nonlinear autoencoders are more compact, but their information loss happens inside a nonlinear encoder, and a model trained with one latent dimension gives no model with a smaller one. We introduce Orthogonal Projection in Invertible Nonlinear Embeddings (OPINE), which learns an invertible nonlinear change of coordinates and performs POD in the transformed coordinates. Because the map is invertible, all information loss occurs in the POD projection, and ordering its basis after training gives reduced coordinates of every smaller dimension from a single model. Training alternates gradient updates of the map with a damped update that tracks the evolving POD subspace, and we prove that this update converges locally to the exact POD subspace. We evaluate OPINE on synthetic manifolds, chaotic Kuramoto-Sivashinsky dynamics, forced Burgers turbulence, two-dimensional Kolmogorov flow, and three-dimensional minimal channel flow. OPINE is more accurate than POD at every tested retained dimension above one, and on the Kuramoto-Sivashinsky and Burgers dynamics, it is more accurate than convolutional and fully connected autoencoders by more than two orders of magnitude at the largest retained dimension.
- Abstract(参考訳): 適切な直交分解(POD)は、分散によって順序づけられた直交モードを持つ物理体を表すため、1つの分解はすべての次元において還元座標を与えるが、そのデータが曲線多様体の近くにあるとき、多くのモードを必要とする。
非線形オートエンコーダはよりコンパクトであるが、その情報損失は非線形エンコーダ内で発生し、1つの潜在次元で訓練されたモデルではより小さいモデルでは得られない。
直交射影を非可逆非線形埋め込み (OPINE) に導入し, 座標の非可逆非線形変化を学習し, 変換座標でPODを行う。
写像は可逆であるため、全ての情報損失はPOD射影で発生し、訓練後にその基底を順序付けすると、1つのモデルから全ての小さな次元の座標が減少する。
トレーニングでは、地図の勾配更新と、進行するPOD部分空間を追跡する減衰更新を交互に行い、この更新が正確なPOD部分空間に局所的に収束することを証明する。
合成多様体上のOPINE,カオスな倉本-シヴァシンスキー力学,強制バーガース乱流,2次元コルモゴロフ流,3次元最小チャネル流について検討した。
OPINEは、テストされたすべての保持次元においてPODよりも正確であり、内蔵本・シヴァシンスキー・バーガース力学では、最大保持次元において2桁以上の大きさで畳み込み完全連結オートエンコーダよりも正確である。
関連論文リスト
- Intrinsic Green's Learning: Supervised Learning on Manifolds via Inverse PDE [51.736723807086385]
Intrinsic Greens Learning (IGL) は、多様体上の対象関数を線形PDEの解としてモデル化するフレームワークである。
ターゲットを直接近似するのではなく、IGLはソースを学習し、多様体上の低次元座標チャートと統合する。
論文 参考訳(メタデータ) (2026-07-08T06:08:17Z) - Proper Latent Decomposition [4.266376725904727]
内在座標(相対空間)の減少を計算し、数値的な離散化よりも自由度が低い流れを正確に記述する。
提案手法では,多様体上でPLDを実行するアルゴリズムを提案する。
この研究は、オートエンコーダと潜在空間の分析、非線形低次モデリング、高次元データの構造に関する科学的洞察の機会を開放する。
論文 参考訳(メタデータ) (2024-12-01T12:19:08Z) - NDC-Scene: Boost Monocular 3D Semantic Scene Completion in Normalized
Device Coordinates Space [77.6067460464962]
SSC(Monocular 3D Semantic Scene Completion)は、単一の画像から複雑なセマンティックスや幾何学的形状を予測し、3D入力を必要としないため、近年大きな注目を集めている。
我々は,3次元空間に投影された2次元特徴の特徴的曖昧さ,3次元畳み込みのPose Ambiguity,深さの異なる3次元畳み込みにおける不均衡など,現在の最先端手法におけるいくつかの重要な問題を明らかにする。
シーン補完ネットワーク(NDC-Scene)を考案し,2を直接拡張する。
論文 参考訳(メタデータ) (2023-09-26T02:09:52Z) - Multi-scale data reconstruction of turbulent rotating flows with Gappy
POD, Extended POD and Generative Adversarial Networks [2.0722840259036546]
本研究では, 回転する乱流スナップショットを空間的損傷(塗装)で再構成するために, 線形および非線形ツールを用いた。
統計的特性と瞬時速度場の両方を正確に再現することに注力する。
意外なことに、ポイントワイド再構成に関して、非線形GANは線形POD技術よりも優れていない。
論文 参考訳(メタデータ) (2022-10-21T12:44:39Z) - Model Reduction for Nonlinear Systems by Balanced Truncation of State
and Gradient Covariance [0.0]
モデル還元のための低次元座標系は、系の感度と軌道に沿った状態の分散に関する随伴情報とをバランスさせる。
これらの手法を, 単純かつ困難な3次元システムと, 状態変数105ドルの非線形軸対称噴流シミュレーションで実証した。
論文 参考訳(メタデータ) (2022-07-28T21:45:08Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳(メタデータ) (2022-07-06T21:40:59Z) - Data-Driven Reduced-Order Modeling of Spatiotemporal Chaos with Neural
Ordinary Differential Equations [0.0]
本稿では,偏微分方程式のカオス力学を生かしたデータ駆動型還元次数モデリング手法を提案する。
次元の減少は周囲空間の予測と比較して性能を向上することがわかった。
低次元モデルでは、広い空間データに対する真の力学の短・長期統計レクリエーションに優れる。
論文 参考訳(メタデータ) (2021-08-31T20:00:33Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z)
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。