Fugu-MT 論文翻訳(概要): Neural Kinematic Bases for Fluids

論文の概要: Neural Kinematic Bases for Fluids

arxiv url: http://arxiv.org/abs/2504.15657v1
Date: Tue, 22 Apr 2025 07:28:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 21:52:14.863445
Title: Neural Kinematic Bases for Fluids
Title（参考訳）: 流体のニューラルキネマティックベース
Authors: Yibo Liu, Paul Kry, Kenny Erleben, Noam Aigerman, Sune Darkner, Teseo Schneider,
Abstract要約: 本研究では,無酸素で表される速度場に対する運動論的ニューラルネットワークを用いたメッシュフリー流体シミュレーションを提案する。我々は、これらの神経基盤が分散のない、境界アライメント、滑らかさといった基本的な物理的特性を満たすことを保証する一連の損失を設計する。私たちのニューラルベースは、フローの入力スケッチに適合するために使用することができ、ベースから同じ基本特性を継承します。
参考スコア（独自算出の注目度）: 17.695930771864248
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose mesh-free fluid simulations that exploit a kinematic neural basis for velocity fields represented by an MLP. We design a set of losses that ensures that these neural bases satisfy fundamental physical properties such as orthogonality, divergence-free, boundary alignment, and smoothness. Our neural bases can then be used to fit an input sketch of a flow, which will inherit the same fundamental properties from the bases. We then can animate such flow in real-time using standard time integrators. Our neural bases can accommodate different domains and naturally extend to three dimensions.
Abstract（参考訳）: MLPで表される速度場に対する運動論的ニューラルネットワークに基づくメッシュフリー流体シミュレーションを提案する。我々は、これらのニューラルネットワークが直交性、発散自由、境界アライメント、滑らかさといった基本的な物理的特性を満たすことを保証する一連の損失を設計する。私たちのニューラルベースは、フローの入力スケッチに適合するために使用することができ、ベースから同じ基本特性を継承します。すると、標準的な時間積分器を使って、そのような流れをリアルタイムでアニメーションできる。私たちの神経基盤は異なるドメインに対応でき、自然に3次元に拡張できます。

関連論文リスト

Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
論文参考訳（メタデータ） (2024-02-09T09:40:12Z)
Constructing interpretable principal curve using Neural ODEs [0.2900810893770134]
動的に空間を特徴付けることのできるフレームワークを開発する。主流れは粒子の運動を誘導し、粒子の軌道はデータセットの主曲線に似ている。このフレームワークは, 様々な複雑度の形状を特徴付けるのに有効であり, 緩和力学の要約を組み込むには柔軟であることを示す。
論文参考訳（メタデータ） (2023-11-15T16:46:53Z)
NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文参考訳（メタデータ） (2023-08-24T17:59:54Z)
Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文参考訳（メタデータ） (2023-04-21T20:49:29Z)
Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation [0.0]
我々は、SEM3Dという高忠実度シミュレーションコードを用いて、3万の異なる地質が生成する地動の広範なデータベースを構築している。フーリエ・ニューラル・オペレーターは,基礎となる地質が大きな不均一性を示す場合でも,正確な接地運動を実現できることを示す。データベースの一般化により,地質学的特徴が地盤運動に与える影響を評価するために,我々のモデルが利用できると信じている。
論文参考訳（メタデータ） (2023-04-20T12:01:58Z)
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)
A Functional-Space Mean-Field Theory of Partially-Trained Three-Layer Neural Networks [49.870593940818715]
本稿では,第1層がランダムで固定された3層NNモデルの無限幅限界について検討する。我々の理論はモデルの異なるスケーリング選択に対応しており、結果としてMF制限の2つの条件が顕著な振舞いを示す。
論文参考訳（メタデータ） (2022-10-28T17:26:27Z)
Predicting the Thermal Sunyaev-Zel'dovich Field using Modular and Equivariant Set-Based Neural Networks [1.7709249262395885]
我々は、銀河団内の連続電子圧場を予測するために、IllustrisTNG-300宇宙学シミュレーションでニューラルネットワークを訓練する。我々は、設定したダークマター粒子を直接操作するために、回転型DeepSetsアーキテクチャを用いる。
論文参考訳（メタデータ） (2022-02-28T19:00:07Z)
Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文参考訳（メタデータ） (2022-02-16T21:24:54Z)
Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文参考訳（メタデータ） (2022-02-07T17:47:46Z)
Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-07-16T12:56:09Z)
Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media [0.0]
我々は多孔質メディアシミュレーションデータから学習できる汎用的なマルチスケールディープラーニングモデルを開発した。単一のグラフィックス処理ユニットで約1秒で大きな画像の評価が可能です。
論文参考訳（メタデータ） (2021-02-10T23:38:36Z)

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。