抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
生成的敵対ネットワーク(GAN)は,光現実的画像を生成するのに広く使用されている。超解像度GAN(SRGAN)と呼ばれるGANの変種は,低解像度画像が知覚的により現実的である4×大きな画像にアップサンプリングできる画像超解像度のために既に成功裏に使用されてきた。しかし,そのような生成モデルが物理プロセスを記述するデータに使用される場合,支配方程式と境界条件を含むモデルを満たす必要がある付加的な既知の制約がある。一般に,これらの制約は生成されたデータによっては従わない。本研究では,乱流の生成濃縮のための物理ベース法を開発した。生成データに対する支配方程式の残差を最小化するために,損失関数への修正によって物理情報学習アプローチを組み込んだ。2つの訓練された物理インフォームモデル:畳み込みニューラルネットワーク(CNN)に基づく教師つきモデルとSRGANに基づく生成モデル,すなわち乱流濃縮GAN(TEGAN)に基づく生成モデルを分析し,両者が乱流濃縮における単純な双三次補間より優れていることを示した。また,物理情報学習を用いて,物理支配方程式を満たすデータ生成におけるモデルの能力を著しく改良できることを示した。最後に,TEGANからの濃縮データを比較し,エネルギー計量とスケール間エネルギー動力学と流れ形態を含む流れ場の統計的計量を回復できることを示した。【JST・京大機械翻訳】