論文の概要: diffSPH: Differentiable Smoothed Particle Hydrodynamics for Adjoint Optimization and Machine Learning

• arxiv url: http://arxiv.org/abs/2507.21684v1
• Date: Tue, 29 Jul 2025 10:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:56.051247
• Title: diffSPH: Differentiable Smoothed Particle Hydrodynamics for Adjoint Optimization and Machine Learning
• Title（参考訳）: diffSPH:共役最適化と機械学習のための微分平滑化粒子流体力学
• Authors: Rene Winchenbach, Nils Thuerey,
• Abstract要約: diffSPHは、GPUアクセラレーションを備えたPyTorchで完全に開発された、微分可能なSmoothed Particle Hydrodynamics (SPH)フレームワークである。 diffSPHは、計算流体力学(CFD)における最適化と機械学習(ML)の応用を促進するために、微分を中心に設計されている。 新たなターゲット指向アプローチによるパーティクルシフトに対処するなど,いくつかのアプリケーションを通じて,フレームワークのユニークな機能を実証する。
• 参考スコア（独自算出の注目度）: 21.05257407408671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present diffSPH, a novel open-source differentiable Smoothed Particle Hydrodynamics (SPH) framework developed entirely in PyTorch with GPU acceleration. diffSPH is designed centrally around differentiation to facilitate optimization and machine learning (ML) applications in Computational Fluid Dynamics~(CFD), including training neural networks and the development of hybrid models. Its differentiable SPH core, and schemes for compressible (with shock capturing and multi-phase flows), weakly compressible (with boundary handling and free-surface flows), and incompressible physics, enable a broad range of application areas. We demonstrate the framework's unique capabilities through several applications, including addressing particle shifting via a novel, target-oriented approach by minimizing physical and regularization loss terms, a task often intractable in traditional solvers. Further examples include optimizing initial conditions and physical parameters to match target trajectories, shape optimization, implementing a solver-in-the-loop setup to emulate higher-order integration, and demonstrating gradient propagation through hundreds of full simulation steps. Prioritizing readability, usability, and extensibility, this work offers a foundational platform for the CFD community to develop and deploy novel neural networks and adjoint optimization applications.
• Abstract（参考訳）: 本稿では,GPUアクセラレーションを備えたPyTorchで完全に開発された,新しいオープンソースの微分可能なSmoothed Particle Hydrodynamics (SPH) フレームワークであるdiffSPHを提案する。 diffSPHは、ニューラルネットワークのトレーニングやハイブリッドモデルの開発を含むComputational Fluid Dynamics~(CFD)における、最適化と機械学習(ML)の応用を促進するために、差別化を中心的に設計されている。 その微分可能なSPHコアと圧縮性(衝撃捕捉と多相流)、弱い圧縮性(境界処理と自由表面流)、および非圧縮性物理学のためのスキームは、幅広い応用領域を実現する。 本稿では,物理・正規化損失項を最小化することで,新たな目標指向アプローチによる粒子シフトに対処することを含む,いくつかの応用を通して,フレームワークのユニークな能力を実証する。 その他の例としては、目標軌道に合うように初期条件と物理パラメータを最適化すること、形状最適化、高次積分をエミュレートするソルバ・イン・ザ・ループのセットアップの実装、数百の完全なシミュレーションステップによる勾配伝播の実証などがある。 この研究は可読性、ユーザビリティ、拡張性を優先し、CFDコミュニティが新しいニューラルネットワークを開発し、デプロイするための基盤となるプラットフォームを提供する。

関連論文リスト

• HiLAB: A Hybrid Inverse-Design Framework [0.0]
  HiLABはナノフォトニック構造の逆設計のための新しいパラダイムである。 シミュレーションコストを削減した多様なフリーフォーム構成を生成することで、多機能デバイス設計に対処する。
  論文  参考訳（メタデータ） (2025-05-23T05:34:56Z)
• Accelerating Multiscale Modeling with Hybrid Solvers: Coupling FEM and Neural Operators with Domain Decomposition [3.0635300721402228]
  本研究では、PI-NOと有限要素法(FE)をドメイン分解を通じて統合する新しいハイブリッドフレームワークを提案する。 フレームワークの有効性は、静的、準静的、動的レシエーションにまたがる様々な問題で検証されている。 本研究は,(1)サブドメインインタフェース間の解の連続性を維持すること,(2)微細メッシュ要求を排除して計算コストを削減すること,(3)時間依存シミュレーションにおける誤差の蓄積を緩和すること,(4)物理現象の進化への自動適応を可能にすること,である。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Differentiable Turbulence: Closure as a partial differential equation constrained optimization [1.8749305679160366]
  我々は、ディープラーニングアーキテクチャの物理に着想を得た選択と組み合わせて、エンドツーエンドの微分可能解法を使用する、微分可能な乱流の概念を活用する。 微分可能な物理パラダイムは、オフラインのテキストタプリオリ学習よりも成功しており、深層学習へのハイブリッド・ソルバ・イン・ザ・ループアプローチは、計算効率、精度、一般化の理想的なバランスを提供することを示す。
  論文  参考訳（メタデータ） (2023-07-07T15:51:55Z)
• 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)
• 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)
• Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
  本稿では, 音素の効率的な微分可能シミュレーション法を提案する。 これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。 提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
  論文  参考訳（メタデータ） (2021-09-16T04:48:13Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。