マルチエージェント強化学習による乱流モデリングの自動化【JST・京大機械翻訳】

Novati Guido; de Laroussilhe Hugues Lascombes; Koumoutsakos Petros

プレプリント

J-GLOBAL ID：202202205404435405 整理番号：22P0148727

マルチエージェント強化学習による乱流モデリングの自動化【JST・京大機械翻訳】

Automating Turbulence Modeling by Multi-Agent Reinforcement Learning

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 (3件)： , ,
資料名：
発行年： 2020年05月18日プレプリントサーバーでの情報更新日： 2020年10月23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)

乱流のモデリングは,航空機設計から天気予報および気候予測までの科学的および工学的問題にとって重要である。過去60年間にわたって,物理的洞察と工学的直感に基づいて,多くの乱流モデルが提案されてきた。機械学習とデータ科学における最近の進歩は,これらのアプローチを補完する新しい努力を引用している。今日まで,そのような努力はすべて,訓練データの分布を超えて一般化する困難さに遭遇する,教師つき学習に焦点を合わせてきた。本研究では,乱流モデルの自動発見ツールとしてマルチエージェント強化学習(MARL)を導入した。直接数値シミュレーションの統計的特性の回復を報酬として,均一および等方性乱流のラージエディシミュレーションに関するこのアプローチの可能性を実証した。ここでは,閉鎖モデルを協調エージェントによって制定された制御政策として定式化し,それは,未解決サブグリッドスケール(SGS)物理を推定するために,流れ場における臨界時空間パターンを検出する。現在の結果は,経験再生に基づく最先端のアルゴリズムによって得られて,確立された動的SGSモデリングアプローチとよく比較される。さらに,Reynolds数によって表現されるように,現在の乱流モデルが格子サイズと流れ条件を横切って一般化することを示した。【JST・京大機械翻訳】

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

人工知能

, , ,

前のページに戻る