用于CFD应用数据缩减的机器学习技术
机器学习
2024-04-30 v1 流体动力学
摘要
我们提出了一种称为保证块自编码器的方法，利用张量相关性（GBATC）来减少计算流体动力学（CFD）和其他科学应用生成的时空数据。它使用多维张量块（跨越空间和时间）作为输入和输出，捕获张量内的时空和种间关系。张量由代表CFD模拟中不同元素的物种组成。为了保证重建数据的误差界，将主成分分析（PCA）应用于原始数据和重建数据之间的残差。这产生了一个基矩阵，然后用于投影每个实例的残差。保留得到的系数以实现精确重建。实验结果表明，我们的方法可以实现两个数量级的缩减，同时将主要数据的误差保持在科学可接受的范围内。与基于SZ的缩减方法相比，我们的方法在给定误差界下实现了更高的压缩比，或在给定压缩比下实现了更好的误差。
引用
@article{arxiv.2404.18063,
title = {Machine Learning Techniques for Data Reduction of CFD Applications},
author = {Jaemoon Lee and Ki Sung Jung and Qian Gong and Xiao Li and Scott Klasky and Jacqueline Chen and Anand Rangarajan and Sanjay Ranka},
journal= {arXiv preprint arXiv:2404.18063},
year = {2024}
}
备注
10 pages, 8 figures