浅いマスク付きオートエンコーダによる高速かつ正確な物理情報ニューラルネットワーク縮小次数モデル【JST・京大機械翻訳】

Kim Youngkyu; Choi Youngsoo; Widemann David; Zohdi Tarek

プレプリント

J-GLOBAL ID：202202204576134494 整理番号：22P0194216

浅いマスク付きオートエンコーダによる高速かつ正確な物理情報ニューラルネットワーク縮小次数モデル【JST・京大機械翻訳】

A fast and accurate physics-informed neural network reduced order model with shallow masked autoencoder

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年09月24日プレプリントサーバーでの情報更新日： 2020年09月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

従来の線形部分空間縮小次数モデル(LS-ROMs)は,物理的シミュレーションを加速することができ,その中で,固有解空間は,小さな次元,すなわち,解空間が小さなKolmogorovn幅を持つ部分空間に陥る。しかし,この種の物理的現象では,例えば,交通流,大気流,および車両上の空気流のような移流支配流れ現象が,低次元線形部分空間は,解をほとんど近似しない。これらのような事例に取り組むために,LS-ROMよりも小さな潜在空間次元を持つ高忠実度モデル解をよりよく近似できる,非線形多様体ROM(NM-ROM),高速かつ正確な物理情報ネットワークROMを開発した。この方法は,対応する全次数モデルを解くのに使用される既存の数値法を利用する。NM-ROMの文脈で超還元技術を開発することにより効率を達成した。数値結果は,ニューラルネットワークが1Dおよび2D Burgers方程式から移流支配データ上でより効率的な潜在空間表現を学習できることを示した。1D Burgersに対する最大2.6の高速化と2D Burgers方程式に対する11.7の高速化を,超還元技術による非線形項の適切な処理で達成した。最後に,NM-ROMに対する事後誤差限界を,超還元演算子を考慮した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

二次電池 , 数値計算

, , , , , ,

前のページに戻る