論文の概要: A Benchmarking Framework for AI models in Automotive Aerodynamics
- arxiv url: http://arxiv.org/abs/2507.10747v1
- Date: Mon, 14 Jul 2025 19:13:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:02.856306
- Title: A Benchmarking Framework for AI models in Automotive Aerodynamics
- Title（参考訳）: 自動車空力におけるAIモデルのベンチマークフレームワーク
- Authors: Kaustubh Tangsali, Rishikesh Ranade, Mohammad Amin Nabian, Alexey Kamenev, Peter Sharpe, Neil Ashton, Ram Cherukuri, Sanjay Choudhry,
- Abstract要約: 自動車予測のためのAIモデルの精度、性能、スケーラビリティ、能力を評価するために設計されたオープンソースのNVIDIA PhysicsNeMo-CFDフレームワークにベンチマークフレームワークを導入する。
AIモデルを比較するための標準化された方法論を提供することで、このフレームワークはパフォーマンスアセスメントにおける透明性と一貫性を高める。
- 参考スコア（独自算出の注目度）: 1.6032039885750309
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, we introduce a benchmarking framework within the open-source NVIDIA PhysicsNeMo-CFD framework designed to systematically assess the accuracy, performance, scalability, and generalization capabilities of AI models for automotive aerodynamics predictions. The open extensible framework enables incorporation of a diverse set of metrics relevant to the Computer-Aided Engineering (CAE) community. By providing a standardized methodology for comparing AI models, the framework enhances transparency and consistency in performance assessment, with the overarching goal of improving the understanding and development of these models to accelerate research and innovation in the field. To demonstrate its utility, the framework includes evaluation of both surface and volumetric flow field predictions on three AI models: DoMINO, X-MeshGraphNet, and FIGConvNet using the DrivAerML dataset. It also includes guidelines for integrating additional models and datasets, making it extensible for physically consistent metrics. This benchmarking study aims to enable researchers and industry professionals in selecting, refining, and advancing AI-driven aerodynamic modeling approaches, ultimately fostering the development of more efficient, accurate, and interpretable solutions in automotive aerodynamics
- Abstract（参考訳）: 本稿では,自動車空力予測のためのAIモデルの精度,性能,スケーラビリティ,一般化能力を体系的に評価するために設計された,オープンソースのNVIDIA PhysicsNeMo-CFDフレームワークのベンチマークフレームワークを紹介する。
オープン拡張可能なフレームワークは、CAE(Computer-Aided Engineering)コミュニティに関連するさまざまなメトリクスのセットを組み込むことができる。
AIモデルを比較するための標準化された方法論を提供することにより、このフレームワークは、パフォーマンスアセスメントにおける透明性と一貫性を高め、これらのモデルの理解と開発を改善し、この分野における研究とイノベーションを加速するという、包括的な目標を掲げる。
その有用性を実証するために、フレームワークは3つのAIモデル(DoMINO、X-MeshGraphNet、FIGConvNet)で、DrivAerMLデータセットを使用して、表面および体積流場予測の評価を含む。
また、追加のモデルとデータセットを統合するためのガイドラインが含まれており、物理的に一貫したメトリクスに対して拡張可能である。
このベンチマーク研究は、AI駆動の空気力学モデリングアプローチの選択、精錬、進歩において研究者や業界の専門家が利用できるようにすることを目的としており、最終的には自動車空気力学におけるより効率的で正確で解釈可能なソリューションの開発を促進する。
関連論文リスト
- World Models for Cognitive Agents: Transforming Edge Intelligence in Future Networks [55.90051810762702]
本稿では,世界モデルを概観し,そのアーキテクチャ,トレーニングパラダイム,予測,生成,計画,因果推論といった応用を概観する。
ワイヤレスエッジインテリジェンス最適化に適した,新しい世界モデルに基づく強化学習フレームワークであるWireless Dreamerを提案する。
論文 参考訳（メタデータ） (2025-05-31T06:43:00Z) - A Survey of World Models for Autonomous Driving [63.33363128964687]
自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。
世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。
本稿では、自律運転の世界モデルにおける最近の進歩を体系的にレビューする。
論文 参考訳（メタデータ） (2025-01-20T04:00:02Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - Community Research Earth Digital Intelligence Twin (CREDIT) [0.0]
NSF NCAR で開発された Community Research Earth Digital Intelligence Twin (CREDIT) フレームワークを紹介する。
CREDITは、AIベースの大気モデルのトレーニングとデプロイのための、柔軟でスケーラブルでユーザフレンドリなプラットフォームを提供する。
We demonstrate CREDIT’s potential through WXFormer, a novel deterministic vision transformer designed to predict atmosphere state autoregressive。
論文 参考訳（メタデータ） (2024-11-09T03:08:03Z) - Structuring a Training Strategy to Robustify Perception Models with Realistic Image Augmentations [1.5723316845301678]
本報告では, モデルロバスト性, 性能を向上させるため, 強化したトレーニング手法を提案する。
機械学習モデルの弱点を特定し、適切な拡張を選択し、効果的なトレーニング戦略を考案する包括的フレームワークを提案する。
実験結果は,オープンソースオブジェクトの検出とセマンティックセグメンテーションモデルとデータセットに対する平均平均精度(mAP)や平均距離(mIoU)といった一般的な測定値によって測定されるモデル性能の改善を示す。
論文 参考訳（メタデータ） (2024-08-30T14:15:48Z) - An Empirical Study of Training State-of-the-Art LiDAR Segmentation Models [25.28234439927537]
MMDetection3D-lidarsegは、最先端LiDARセグメンテーションモデルの効率的なトレーニングと評価のための包括的なツールボックスである。
我々は、幅広いセグメンテーションモデルをサポートし、堅牢性と効率を高めるために高度なデータ拡張技術を統合する。
統一されたフレームワークを育むことで、MMDetection3D-lidarsegは開発とベンチマークを合理化し、研究とアプリケーションのための新しい標準を設定します。
論文 参考訳（メタデータ） (2024-05-23T17:59:57Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。