Fugu-MT 論文翻訳(概要): Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction

論文の概要: Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction

arxiv url: http://arxiv.org/abs/2502.04317v1
Date: Thu, 06 Feb 2025 18:57:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-07 14:32:26.567960
Title: Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction
Title（参考訳）: 自動車計算流体力学予測のための因果的インシシティ・グローバル・コンボリューション
Authors: Chris Choy, Alexey Kamenev, Jean Kossaifi, Max Rietmann, Jan Kautz, Kamyar Azizzadenesheli,
Abstract要約: 非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。 FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
参考スコア（独自算出の注目度）: 52.32698071488864
License:
Abstract: Computational Fluid Dynamics (CFD) is crucial for automotive design, requiring the analysis of large 3D point clouds to study how vehicle geometry affects pressure fields and drag forces. However, existing deep learning approaches for CFD struggle with the computational complexity of processing high-resolution 3D data. We propose Factorized Implicit Global Convolution (FIGConv), a novel architecture that efficiently solves CFD problems for very large 3D meshes with arbitrary input and output geometries. FIGConv achieves quadratic complexity $O(N^2)$, a significant improvement over existing 3D neural CFD models that require cubic complexity $O(N^3)$. Our approach combines Factorized Implicit Grids to approximate high-resolution domains, efficient global convolutions through 2D reparameterization, and a U-shaped architecture for effective information gathering and integration. We validate our approach on the industry-standard Ahmed body dataset and the large-scale DrivAerNet dataset. In DrivAerNet, our model achieves an $R^2$ value of 0.95 for drag prediction, outperforming the previous state-of-the-art by a significant margin. This represents a 40% improvement in relative mean squared error and a 70% improvement in absolute mean squared error over previous methods.
Abstract（参考訳）: 計算流体力学(CFD)は自動車設計において不可欠であり、車両の形状が圧力場やドラッグ力にどのように影響するかを研究するために、大きな3次元点雲の解析を必要とする。しかし、CFDの既存のディープラーニングアプローチは、高解像度の3Dデータを処理する際の計算複雑性に苦慮している。我々は、任意の入力と出力のジオメトリを持つ非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。 FIGConvは2次複雑性$O(N^2)$を達成し、これは既存の3次元ニューラルCFDモデルよりも大幅に改善され、これは3次複雑性$O(N^3)$を必要とする。提案手法は,高分解能領域を近似するためにFactized Implicit Gridsと,2次元再パラメータ化による効率的な大域的畳み込みと,効果的な情報収集と統合のためのU字型アーキテクチャを組み合わせた。業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。 DrivAerNetでは、ドラッグ予測のためのR^2$値0.95が達成され、従来の最先端技術よりも大幅に向上した。これは、相対平均二乗誤差が40%改善し、絶対平均二乗誤差が70%改善したことを意味する。

関連論文リスト

ArchComplete: Autoregressive 3D Architectural Design Generation with Hierarchical Diffusion-Based Upsampling [0.0]
ArchCompleteはベクトル量子化モデルからなる2段階のボクセルベースの3D生成パイプラインである。パイプラインのキーとなるのは、(i) 2.5Dの知覚的損失とともに最適化された、ローカルなパッチ埋め込みのコンテキスト的にリッチなコードブックを学習することです。 ArchCompleteは643ドルという解像度で自動回帰的にモデルを生成し、それを5123ドルまで改良する。
論文参考訳（メタデータ） (2024-12-23T20:13:27Z)
ALOcc: Adaptive Lifting-based 3D Semantic Occupancy and Cost Volume-based Flow Prediction [89.89610257714006]
既存の手法は、これらのタスクの要求に応えるために高い精度を優先する。本稿では,3次元セマンティック占有率予測とフロー推定のための一連の改善点を紹介する。私たちの純粋な時間的アーキテクチャフレームワークであるALOccは、速度と精度の最適なトレードオフを実現しています。
論文参考訳（メタデータ） (2024-11-12T11:32:56Z)
Deep Neural Implicit Representation of Accessibility for Multi-Axis Manufacturing [0.0]
我々はディープニューラルネットワーク(DNN)を用いた衝突計測の暗黙的表現を開発する。本手法は, 回転のスパースサンプリングから衝突測度を正確に補間することができ, メモリフットプリントの小さい衝突測度場を表現できることを示す。
論文参考訳（メタデータ） (2024-08-30T06:27:25Z)
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)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
DiffComplete: Diffusion-based Generative 3D Shape Completion [114.43353365917015]
3次元レンジスキャンにおける形状完成のための拡散に基づく新しいアプローチを提案する。私たちはリアリズム、マルチモダリティ、高忠実さのバランスを取ります。 DiffCompleteは2つの大規模3次元形状補完ベンチマークに新しいSOTA性能を設定する。
論文参考訳（メタデータ） (2023-06-28T16:07:36Z)
Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
論文参考訳（メタデータ） (2021-01-18T03:24:48Z)
Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文参考訳（メタデータ） (2020-06-15T09:15:54Z)
DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks [5.380828749672078]
DeepCFDは畳み込みニューラルネットワーク(CNN)ベースのモデルであり、非一様定常層流問題に対する解を効率的に近似する。 DeepCFDを用いることで、標準CFD手法と比較して最大3桁の高速化を低エラー率で実現した。
論文参考訳（メタデータ） (2020-04-19T12:00:37Z)
Generative Multi-Stream Architecture For American Sign Language Recognition [15.717424753251674]
複雑なアプリケーションのための機能豊かさの低いデータセットのトレーニングは、人間のパフォーマンスよりも最適な収束を制限します。本稿では,非現実性を危険にさらすことなく機能収束を改善することを目的とした,新たなハードウェアの必要性を排除した生成型マルチストリームアーキテクチャを提案する。提案手法は,従来のモデルよりも0.45%,5.53%の精度で,トレーニングから1.42%の精度で95.62%の精度を達成している。
論文参考訳（メタデータ） (2020-03-09T21:04:51Z)

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。