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。
従来のシミュレータを持つ流体のような複雑な動力学のシミュレーションは計算的に困難である。深層学習モデルは,従来のシミュレータの部品を拡張または置換する効率的な代替として提案されている。学習流体動力学に対するグラフニューラルネットワーク(GNN)を検討し,それらの一般化能力が以前の研究よりも制限されることを見出した。また,その一般化能力とシミュレーション安定性を改善するために,ネットワーク入力にランダム雑音を加える現在の実践に挑戦した。著者らは,実際のデータ分布,例えば,非回転多重シミュレーションステップを挿入することにより,精度を改善し,学習モデルからすべてのドメイン固有特徴の隠蔽が一般化を改善することを見出した。著者らの結果は,GNNのような学習モデルが,訓練セットがショートカットとして使用できる他の問題固有の相関を欠いている限り,正確な根底にあるダイナミクスを学習できないことを示した。【JST・京大機械翻訳】