論文の概要: Predicting Flow Dynamics using Diffusion Models

• arxiv url: http://arxiv.org/abs/2507.08106v1
• Date: Thu, 10 Jul 2025 18:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.144682
• Title: Predicting Flow Dynamics using Diffusion Models
• Title（参考訳）: 拡散モデルによる流れの予測
• Authors: Yannick Gachnang, Vismay Churiwala,
• Abstract要約: DiffFluidモデルでは、拡散モデルとトランスフォーマーを組み合わせることで、流体力学を予測できることが示されている。 我々の目標は、DiffFluid論文の手法を他のシミュレーションタイプで検証しながら検証することであった。 以上の結果から,拡散モデルの適用可能性と課題が複雑流体力学問題に適用可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we aimed to replicate and extend the results presented in the DiffFluid paper[1]. The DiffFluid model showed that diffusion models combined with Transformers are capable of predicting fluid dynamics. It uses a denoising diffusion probabilistic model (DDPM) framework to tackle Navier-Stokes and Darcy flow equations. Our goal was to validate the reproducibility of the methods in the DiffFluid paper while testing its viability for other simulation types, particularly the Lattice Boltzmann method. Despite our computational limitations and time constraints, this work provides evidence of the flexibility and potential of the model as a general-purpose solver for fluid dynamics. Our results show both the potential and challenges of applying diffusion models to complex fluid dynamics problems. This work highlights the opportunities for future research in optimizing the computational efficiency and scaling such models in broader domains.
• Abstract（参考訳）: 本研究では,DiffFluidの論文[1]で提示された結果を再現し,拡張することを目的とした。 DiffFluidモデルは、拡散モデルとトランスフォーマーを組み合わせることで、流体力学を予測することができることを示した。 微分拡散確率モデル(DDPM)フレームワークを用いて、ナビエ-ストークス方程式とダーシー流方程式に対処する。 我々の目標は、DiffFluid論文における手法の再現性を検証しつつ、他のシミュレーションタイプ、特にLattice Boltzmann法に対してその可能性をテストすることである。 計算の制限と時間制限にもかかわらず、この研究は流体力学の汎用解法としてのモデルの柔軟性とポテンシャルの証拠を提供する。 以上の結果から,拡散モデルの適用可能性と課題が複雑流体力学問題に適用可能であることが示唆された。 この研究は、計算効率を最適化し、より広い領域でそのようなモデルをスケールする将来の研究の機会を強調している。

関連論文リスト

• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
  逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。 Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
  論文  参考訳（メタデータ） (2025-03-11T07:56:14Z)
• 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)
• Physics Informed Distillation for Diffusion Models [21.173298037358954]
  本研究では,教師の拡散モデルに対応するODEシステムの解法を表現するために,学生モデルを用いた物理インフォームド蒸留(PID)を導入する。 PIDの性能は最近の蒸留法と同等である。
  論文  参考訳（メタデータ） (2024-11-13T07:03:47Z)
• DiffFluid: Plain Diffusion Models are Effective Predictors of Flow Dynamics [16.660107496540146]
  各種作業条件下での流体力学の効果的な予測因子としてトランスフォーマーを用いた平ら拡散モデルを示す。 本手法は,画像翻訳問題としてフローダイナミクスの予測を定式化し,平らな拡散モデルを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2024-09-20T17:19:03Z)
• Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
  本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。 提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。 この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-06-17T10:21:01Z)
• Neural Flow Diffusion Models: Learnable Forward Process for Improved Diffusion Modelling [2.1779479916071067]
  より広い範囲のプロセスをサポートすることで拡散モデルを強化する新しいフレームワークを提案する。 また,前処理を学習するための新しいパラメータ化手法を提案する。 結果はNFDMの汎用性と幅広い応用の可能性を評価する。
  論文  参考訳（メタデータ） (2024-04-19T15:10:54Z)
• Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
  本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。 その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。 また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T19:04:17Z)
• Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models [76.46246743508651]
  我々は,現在の拡散モデルが後方認知において表現力のあるボトルネックを持っていることを示した。 本稿では,後方復調のための表現的かつ効率的なモデルであるソフトミキシング・デノナイジング(SMD)を導入する。
  論文  参考訳（メタデータ） (2023-09-25T12:03:32Z)
• 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)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。