論文の概要: AB-UPT: Scaling Neural CFD Surrogates for High-Fidelity Automotive Aerodynamics Simulations via Anchored-Branched Universal Physics Transformers

• arxiv url: http://arxiv.org/abs/2502.09692v3
• Date: Fri, 27 Jun 2025 12:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 15:06:57.748523
• Title: AB-UPT: Scaling Neural CFD Surrogates for High-Fidelity Automotive Aerodynamics Simulations via Anchored-Branched Universal Physics Transformers
• Title（参考訳）: AB-UPT: Anchored-Branched Universal Physics Transformerによる高密度自動車空力シミュレーションのためのニューラルネットワークCFDサロゲートのスケーリング
• Authors: Benedikt Alkin, Maurits Bleeker, Richard Kurle, Tobias Kronlachner, Reinhard Sonnleitner, Matthias Dorfer, Johannes Brandstetter,
• Abstract要約: 計算流体力学(CFD)シミュレーションのためのニューラルサロゲート構築のための新しいモデリング手法として,Anchored-Branched Universal Physics Transformers (AB-UPT)を導入した。 AB-UPTは、(i)マルチブランチ演算子による幾何符号化と予測タスクの分離、(ii)低次元潜在空間におけるニューラルシミュレーションによる高分解能出力へのスケーラビリティの実現、(iii)新しい発散のない定式化による物理の整合性の実現。 AB-UPTは、自動車CFDシミュレーションにおける表面および体積場の最先端予測精度が得られることを示す。
• 参考スコア（独自算出の注目度）: 14.26753008785739
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances in neural surrogate modeling offer the potential for transformative innovations in applications such as automotive aerodynamics. Yet, industrial-scale problems often involve volumetric meshes with cell counts reaching 100 million, presenting major scalability challenges. Complex geometries further complicate modeling through intricate surface-volume interactions, while quantities such as vorticity are highly nonlinear and must satisfy strict divergence-free constraints. To address these requirements, we introduce Anchored-Branched Universal Physics Transformers (AB-UPT) as a novel modeling scheme for building neural surrogates for computational fluid dynamics (CFD) simulations. AB-UPT is designed to: (i) decouple geometry encoding and prediction tasks via multi-branch operators; (ii) enable scalability to high-resolution outputs via neural simulation in a low-dimensional latent space, coupled with anchored neural field decoders to predict high-fidelity outputs; (iii) enforce physics consistency by a novel divergence-free formulation. We show that AB-UPT yields state-of-the-art predictive accuracy of surface and volume fields on automotive CFD simulations ranging from 33 thousand up to 150 million mesh cells. Furthermore, our anchored neural field architecture enables the enforcement of hard physical constraints on the physics predictions without degradation in performance, exemplified by modeling divergence-free vorticity fields. Notably, the proposed models can be trained on a single GPU in less than a day and predict industry-standard surface and volume fields within seconds. Additionally, we show that the flexible design of our method enables neural simulation from a computer-aided design geometry alone, omitting the need for costly CFD meshing procedures.
• Abstract（参考訳）: ニューラルサロゲートモデリングの最近の進歩は、自動車空気力学のような応用における革新的イノベーションの可能性を秘めている。 しかし、産業規模の問題は、しばしばセル数1億に達するボリュームメッシュを巻き込み、大きなスケーラビリティ上の課題を提示する。 複雑なジオメトリーは複雑な表面-体積相互作用を通じてモデリングをさらに複雑にするが、渦性のような量は非常に非線形であり、厳密なばらつきのない制約を満たす必要がある。 これらの要件に対処するために、計算流体力学(CFD)シミュレーションのためのニューラルサロゲートを構築するための新しいモデリング手法として、Anchored-Branched Universal Physics Transformers (AB-UPT)を導入する。 AB-UPTは以下のように設計されている。 一 マルチブランチ演算子による幾何符号化及び予測タスクの分離 (II)低次元潜在空間におけるニューラルシミュレーションによる高分解能出力のスケーラビリティを実現し、固定されたニューラルフィールドデコーダと組み合わせて高忠実度出力を予測する。 (三)新しい発散のない定式化により物理の整合性を強制する。 AB-UPTは,3万3千万から1億5000万のメッシュセルからなる自動車CFDシミュレーションにおいて,表面および体積場の最先端予測精度が得られることを示す。 さらに,我々の固定されたニューラルネットワークアーキテクチャにより,分散自由渦場をモデル化することにより,性能の劣化を伴わない物理予測の厳密な物理的制約の実施が可能となった。 特に、提案されたモデルは1日以内で1つのGPUでトレーニングでき、業界標準のサーフェスとボリュームフィールドを数秒で予測できる。 さらに,本手法のフレキシブルな設計により,計算機支援設計法のみでのニューラルシミュレーションが可能となり,コストのかかるCFDメッシュ処理の必要がなくなることを示した。

関連論文リスト

• OmniFluids: Unified Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、物理を事前訓練した演算子学習フレームワークである。 物理学のみの事前訓練、粗い乾燥したオペレーター蒸留、および数発の微調整を統合している。 流れ場再構成や乱流統計の精度において、最先端のAI駆動手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• Flow Matching for Geometric Trajectory Simulation [4.271235935891555]
  N体系は、分子動力学、生化学、歩行者動力学など幅広い分野の応用において基本的な問題である。 機械学習は、物理ベースのシミュレータをスケールし、実験データから直接モデルを開発する上で、貴重なツールとなっている。 現実的な軌跡を生成するためには、既存の手法は、非情報ノイズから始まる複雑な変換を学習し、ドメインインフォームド先行の活用を許さない必要がある。 本稿では,この制限に対処するためにSTFlowを提案する。フローマッチングとデータ依存結合を利用して,モデル表現率やスケーラビリティを犠牲にすることなく,幾何学的軌道の物理インフォームドシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2025-05-24T11:18:59Z)
• 3D Neural Operator-Based Flow Surrogates around 3D geometries: Signed Distance Functions and Derivative Constraints [3.100300350494905]
  高忠実度3次元流れシミュレーションの計算コストは依然として大きな課題である。 我々は、符号付き距離関数(SDF)を介して幾何学情報を組み込んだ変種であるDeepONet(DeepONet)とGeometric-DeepONet(Geometric-DeepONet)を評価する。 その結果,Geometric-DeepONetは標準のDeepONetに比べて境界層精度を最大32%向上することがわかった。
  論文  参考訳（メタデータ） (2025-03-21T16:40:48Z)
• Multifidelity Simulation-based Inference for Computationally Expensive Simulators [5.863359332854155]
  我々は,高忠実度シミュレータのパラメータを限られたシミュレーション予算内で推測するために,安価な低忠実度シミュレーションを活用する,神経後部推定のための多忠実度アプローチであるMF-NPEを紹介する。 MF-NPEは、最大2桁の高忠実度シミュレーションを必要としながら、現在の手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2025-02-12T13:59:22Z)
• Transfer learning in Scalable Graph Neural Network for Improved Physical Simulation [37.1565271299621]
  本稿では,グラフネットワークシミュレータのための事前学習・転送学習パラダイムを提案する。 提案手法により,少量のトレーニングデータを微調整した場合に,モデルの性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-02-07T08:18:23Z)
• Geometry Matters: Benchmarking Scientific ML Approaches for Flow Prediction around Complex Geometries [23.111935712144277]
  複雑な地形周辺の流体力学の迅速かつ正確なシミュレーションは、様々な工学的・科学的応用において重要である。 科学機械学習(SciML)は将来性を示しているが、ほとんどの研究は単純な測地に制約されている。 本研究では,複雑な地形上の流動予測のための多様なSciMLモデルをベンチマークすることで,このギャップを解消する。
  論文  参考訳（メタデータ） (2024-12-31T00:23:15Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Universal Physics Transformers: A Framework For Efficiently Scaling Neural Operators [12.165876595927452]
  ユニバーサル物理変換器(Universal Physics Transformer、UPT)は、幅広い問題に対して効率的かつ統一的な学習パラダイムである。 UPTはグリッドやパーティクルベースの潜在メッシュを使わずに動作し、構造や粒子間の柔軟性を実現する。 メッシュ型流体シミュレーションおよび定常レイノルズ平均Navier-StokesシミュレーションにおけるUTTの適用性と有効性を示した。
  論文  参考訳（メタデータ） (2024-02-19T18:52:13Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Investigation of Physics-Informed Deep Learning for the Prediction of Parametric, Three-Dimensional Flow Based on Boundary Data [0.0]
  熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。 物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
  論文  参考訳（メタデータ） (2022-03-17T09:54:22Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。