論文の概要: Graph Transformers for inverse physics: reconstructing flows around arbitrary 2D airfoils

• arxiv url: http://arxiv.org/abs/2501.17081v1
• Date: Tue, 28 Jan 2025 17:06:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:42:00.201229
• Title: Graph Transformers for inverse physics: reconstructing flows around arbitrary 2D airfoils
• Title（参考訳）: 逆物理のためのグラフ変換器:任意の2次元翼まわりの流れの再構成
• Authors: Gregory Duthé, Imad Abdallah, Eleni Chatzi,
• Abstract要約: メッシュ上の一般的な逆物理エンジンとして機能するグラフトランスフォーマーフレームワークを導入する。 本枠組みは,種々の翼の測地に関する定常RANSシミュレーションのデータセットを用いて評価する。 メッシュベースの逆問題における局所的幾何処理と大域的注意機構の相対的重要性に関する実験と知見を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We introduce a Graph Transformer framework that serves as a general inverse physics engine on meshes, demonstrated through the challenging task of reconstructing aerodynamic flow fields from sparse surface measurements. While deep learning has shown promising results in forward physics simulation, inverse problems remain particularly challenging due to their ill-posed nature and the difficulty of propagating information from limited boundary observations. Our approach addresses these challenges by combining the geometric expressiveness of message-passing neural networks with the global reasoning of Transformers, enabling efficient learning of inverse mappings from boundary conditions to complete states. We evaluate this framework on a comprehensive dataset of steady-state RANS simulations around diverse airfoil geometries, where the task is to reconstruct full pressure and velocity fields from surface pressure measurements alone. The architecture achieves high reconstruction accuracy while maintaining fast inference times. We conduct experiments and provide insights into the relative importance of local geometric processing and global attention mechanisms in mesh-based inverse problems. We also find that the framework is robust to reduced sensor coverage. These results suggest that Graph Transformers can serve as effective inverse physics engines across a broader range of applications where complete system states must be reconstructed from limited boundary observations.
• Abstract（参考訳）: 本稿では,メッシュ上の一般的な逆物理エンジンとして機能するグラフトランスフォーマーフレームワークを提案する。 深層学習は物理シミュレーションにおいて有望な結果を示しているが、その不適切な性質と限られた境界観測からの情報伝達が困難であるため、逆問題はまだ特に困難である。 本稿では,メッセージパッシングニューラルネットワークの幾何学的表現性とトランスフォーマーのグローバル推論を組み合わせ,境界条件から完全状態への逆写像の効率的な学習を可能にすることで,これらの課題に対処する。 本枠組みは,多種多様気翼測地に関する定常RANSシミュレーションの包括的データセットを用いて評価し,表面圧力測定だけで全圧力場と速度場を再構築することを目的とする。 このアーキテクチャは、高速な推測時間を維持しつつ、高い再構成精度を達成する。 メッシュベースの逆問題における局所的幾何処理と大域的注意機構の相対的重要性について実験を行い,知見を提供する。 また、このフレームワークはセンサーのカバレッジを減らすために堅牢であることもわかりました。 これらの結果から,グラフ変換器は境界観測の限界からシステム状態を完全に再構築する必要がある広い範囲のアプリケーションにおいて,有効な逆物理エンジンとして機能することが示唆された。

関連論文リスト

• Operator Learning for Reconstructing Flow Fields from Sparse Measurements: an Energy Transformer Approach [8.156288231122543]
  本稿では,エネルギー変換器を用いて再構成問題を解決するための新しい演算子学習フレームワークを提案する。 不完全な観測データから完全に再構成されたフィールドへのマッピングとして再構成を定式化する。 その結果、ETは複雑な流れ場を高度に不完全なデータから正確に再構築できることを示した。
  論文  参考訳（メタデータ） (2025-01-02T19:24:19Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• A Unified Framework for Forward and Inverse Problems in Subsurface Imaging using Latent Space Translations [9.590290812962884]
  本稿では,GFI(Generalized Forward-Inverse)フレームワークと呼ばれる,この分野における先行研究を特徴付ける統一フレームワークを提案する。 GFIは、GFIの特定のインスタンス化とみなすことができる地下画像の深層学習における従来の成果を包含していることを示す。 また,GFI のフレームワークとして,潜在 U-Net と非可逆 X-Net の2つの新しいモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:07:25Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface Normal Estimation and Manipulation [50.10282876199739]
  本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。 RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。 現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
  論文  参考訳（メタデータ） (2023-11-21T07:19:47Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
  本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。 提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。 そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
  論文  参考訳（メタデータ） (2022-07-20T17:09:16Z)
• Frequency-compensated PINNs for Fluid-dynamic Design Problems [3.0168882791480978]
  シミュレーション出力と基礎となる幾何学と境界条件の関係を学習するための物理インフォームドニューラルネットワーク(PINN)アーキテクチャを提案する。 物理に基づく正規化項の使用に加えて、提案手法は基礎となる物理を利用して、周波数と位相パラメータといったフーリエ特徴の集合を学ぶ。 提案手法は,範囲時間間隔内および設計条件内におけるシミュレーション結果を予測し,本手法を実証する。
  論文  参考訳（メタデータ） (2020-11-03T03:56:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。