論文の概要: Gradient-Aware AI Agents for Autonomous Turbulence Model Discovery via Differentiable CFD
- arxiv url: http://arxiv.org/abs/2611.16082v1
- Date: Wed, 11 Nov 2026 22:50:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.286598
- Title: Gradient-Aware AI Agents for Autonomous Turbulence Model Discovery via Differentiable CFD
- Title(参考訳): 微分CFDによる自律乱流モデル発見のための勾配認識型AIエージェント
- Abstract要約: 乱流モデリングは閉包形式、物理的入力、調整可能なパラメータの人間の選択に依存している。
本稿では,二段階問題としてクロージャ発見を提起する,勾配対応のエージェント・フレームワークを提案する。
各提案に対して、エージェントは、解析的、神経的、あるいはハイブリッドなクロージャをソルバに埋め込むことで、識別可能なトレーニングプログラムを構築する。
次に、クロージャを評価し、パラメータの感度を計算し、後続をトレーニングし、最適化設定を選択し、その後の提案を再検討するかどうかを判断する。
- 参考スコア(独自算出の注目度): 3.846994014936494
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Turbulence modeling relies on human choices of closure form, physical inputs, and tunable parameters. Training closures a posteriori is efficient only with gradients through long chaotic rollouts, which few solvers provide. Most a posteriori approaches therefore resort to gradient-free optimization, and nearly all fix the closure form in advance, learning only its parameters. In this work, we introduce a gradient-aware agentic framework that poses closure discovery as a bilevel problem: a multi-agent large language model (LLM) system searches over closure forms, while a GPU-native differentiable computational fluid dynamics (CFD) solver supplies gradients, making differentiable a posteriori learning an action of the autonomous AI agent. For each proposal, the agents construct a differentiable training program by embedding the analytical, neural, or hybrid closure in the solver, implementing a differentiable objective, and validating the gradient path. They then decide whether to evaluate the closure, compute its parameter sensitivities, or train it a posteriori, select the optimization settings, and revise subsequent proposals using the simulation outcomes and returned gradients. Truncated-horizon gradients make this training usable under chaotic dynamics for closures with tens of thousands of parameters. Demonstrations include dissipation-law and subgrid-scale closure discovery in two-dimensional turbulence and wall-model discovery for large-eddy simulation of three-dimensional channel flow. With gradient-based training, the agent recovers reference coefficients that forward evaluation alone does not reach within the same budget, and autonomously discovers and trains analytical and neural closures that improve agreement with the targeted reference statistics. These results demonstrate the feasibility of end-to-end autonomous turbulence model development in time-resolved flows.
- Abstract(参考訳): 乱流モデリングは閉包形式、物理的入力、調整可能なパラメータの人間の選択に依存している。
後方のクロージャの訓練は、解答者がほとんど提供しない長いカオス的なロールアウトを通した勾配でのみ効率的である。
したがって、ほとんどの後続のアプローチは勾配のない最適化に頼り、ほとんどすべての閉包形式を事前に固定し、パラメータのみを学ぶ。
マルチエージェントの大規模言語モデル(LLM)システムはクロージャフォームを探索し、GPUネイティブの微分可能計算流体力学(CFD)ソルバは勾配を供給し、自律型AIエージェントの動作を学習する。
各提案に対して、エージェントは、解析的、神経的、またはハイブリッドなクロージャをソルバに埋め込んで、微分可能な目的を実装し、勾配経路を検証することで、微分可能なトレーニングプログラムを構築する。
すると、クロージャを評価し、パラメータの感度を計算し、後続を訓練し、最適化設定を選択し、シミュレーション結果と返却勾配を使ってその後の提案を修正する。
Trncated-Horizonグラデーションは、このトレーニングをカオス力学の下で数万のパラメータを持つクロージャで使用できるようにする。
2次元乱流における散逸法とサブグリッドスケールのクロージャ発見,および3次元流路流れの大規模シミュレーションのための壁面モデル発見などがその例である。
勾配に基づくトレーニングでは、エージェントは同じ予算内に前向きの評価だけで到達しない基準係数を復元し、ターゲットとなる基準統計との整合性を改善する分析的および神経的クロージャを自律的に発見、訓練する。
これらの結果は、時間分解流れにおけるエンドツーエンドの自律乱流モデル構築の可能性を示している。
関連論文リスト
- Deep Learning of Solver-Aware Turbulence Closures from Nudged LES Dynamics [1.9800280967139285]
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。
論文 参考訳(メタデータ) (2026-04-26T20:36:12Z) - Reclaiming First Principles: A Differentiable Framework for Conceptual Hydrologic Models [0.3058685580689604]
本稿では, パラメータの正確な感度に基づく, 識別可能な水理モデリングのための, 完全に解析的かつ計算的効率のよいフレームワークを提案する。
結果として得られる勾配は決定論的であり、物理的に解釈可能であり、勾配に基づくベクトルに埋め込まれやすい。
論文 参考訳(メタデータ) (2026-02-06T06:55:49Z) - Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。
既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。
本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
論文 参考訳(メタデータ) (2025-12-28T05:48:55Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳(メタデータ) (2025-04-17T08:32:25Z) - Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。
深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。
Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
論文 参考訳(メタデータ) (2025-04-03T04:07:18Z) - On stable wrapper-based parameter selection method for efficient
ANN-based data-driven modeling of turbulent flows [2.0731505001992323]
本研究の目的は,ニューラルネットワーク(ANN)とラッパー手法に基づくモデリングの削減手法を解析・開発することである。
その結果, 偏微分損失を最小化するための勾配に基づくサブセット選択は, 整合性向上をもたらすことがわかった。
縮小乱流Prendtl数モデルでは、勾配に基づくサブセット選択は、他の手法よりも検証ケースでの予測を改善する。
論文 参考訳(メタデータ) (2023-08-04T08:26:56Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4~19倍のスピードアップを観測した。
論文 参考訳(メタデータ) (2021-01-15T00:13:33Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳(メタデータ) (2020-06-16T13:41:54Z)
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。