論文の概要: Autoregressive regularized score-based diffusion models for multi-scenarios fluid flow prediction

• arxiv url: http://arxiv.org/abs/2505.24145v1
• Date: Fri, 30 May 2025 02:37:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.73483
• Title: Autoregressive regularized score-based diffusion models for multi-scenarios fluid flow prediction
• Title（参考訳）: 多シナリオ流体流予測のための自己回帰正規化スコアベース拡散モデル
• Authors: Wilfried Genuist, Éric Savin, Filippo Gatti, Didier Clouteau,
• Abstract要約: マルチシナリオ流体流予測のための条件付きスコアベース拡散モデルを提案する。 我々のモデルは乱流の統計的性質に根ざしたエネルギー制約を統合する。 重要な物理特性と統計特性を保持しながら、複数のシナリオにわたる正確な結果を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building on recent advances in scientific machine learning and generative modeling for computational fluid dynamics, we propose a conditional score-based diffusion model designed for multi-scenarios fluid flow prediction. Our model integrates an energy constraint rooted in the statistical properties of turbulent flows, improving prediction quality with minimal training, while enabling efficient sampling at low cost. The method features a simple and general architecture that requires no problem-specific design, supports plug-and-play enhancements, and enables fast and flexible solution generation. It also demonstrates an efficient conditioning mechanism that simplifies training across different scenarios without demanding a redesign of existing models. We further explore various stochastic differential equation formulations to demonstrate how thoughtful design choices enhance performance. We validate the proposed methodology through extensive experiments on complex fluid dynamics datasets encompassing a variety of flow regimes and configurations. Results demonstrate that our model consistently achieves stable, robust, and physically faithful predictions, even under challenging turbulent conditions. With properly tuned parameters, it achieves accurate results across multiple scenarios while preserving key physical and statistical properties. We present a comprehensive analysis of stochastic differential equation impact and discuss our approach across diverse fluid mechanics tasks.
• Abstract（参考訳）: 計算流体力学の科学的機械学習と生成モデリングの最近の進歩に基づき,多シナリオ流体流予測のための条件付きスコアベース拡散モデルを提案する。 本モデルでは,乱流の統計的性質に根ざしたエネルギー制約を統合し,最小限のトレーニングで予測品質を向上させるとともに,低コストで効率的なサンプリングを可能にする。 この方法は、問題固有の設計を必要とせず、プラグアンドプレイの拡張をサポートし、高速で柔軟なソリューション生成を可能にする、シンプルで一般的なアーキテクチャを特徴としている。 また、既存のモデルの再設計を必要とせずに、さまざまなシナリオでのトレーニングを簡素化する効率的な条件付け機構も示している。 さらに, 様々な確率微分方程式の定式化について検討し, 思慮深い設計選択によって性能が向上することを示す。 提案手法は,様々な流動状態と構成を含む複雑な流体力学データセットに関する広範な実験を通じて検証される。 その結果、我々のモデルは、挑戦的な乱流条件下であっても、安定で、堅牢で、物理的に忠実な予測を一貫して達成できることを示した。 パラメータを適切に調整することで、重要な物理特性と統計特性を保持しながら、複数のシナリオで正確な結果が得られる。 本稿では,確率微分方程式の影響を包括的に解析し,様々な流体力学タスクにまたがるアプローチについて議論する。

関連論文リスト

• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Generative AI for fast and accurate statistical computation of fluids [19.970579302838914]
  高速で正確で頑健な統計計算のプレスタスクに対処する生成AIアルゴリズムを提案する。 GenCFDと呼ばれる我々のアルゴリズムは、エンドツーエンドの条件付きスコアベース拡散モデルに基づいている。
  論文  参考訳（メタデータ） (2024-09-27T00:26:18Z)
• Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
  最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。 本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
  論文  参考訳（メタデータ） (2024-06-23T20:34:18Z)
• Stochastic Latent Transformer: Efficient Modelling of Stochastically Forced Zonal Jets [0.0]
  本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。 SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。 水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-10-25T16:17:00Z)
• Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation [26.520247496906492]
  本研究では,条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が,この問題に対処するための有効な選択肢であるかどうかを解析する。 各種流速予測手法の性能を定量的に定性的に評価するために, 非圧縮性および超音速流を含む3つの難解な2次元シナリオと等方性乱流を用いる。 単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-09-04T18:01:42Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• A Denoising Diffusion Model for Fluid Field Prediction [0.0]
  本研究では,FluidDiff という非線形流体場予測のための新しい拡散生成モデルを提案する。 拡散過程を実行することにより、モデルは高次元力学系の複雑な表現を学習することができる。 ランゲヴィンサンプリングは、指定された初期条件下での流れ状態の予測を生成するために使用される。
  論文  参考訳（メタデータ） (2023-01-27T11:30:40Z)

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。