論文の概要: A Mixture of Experts Gating Network for Enhanced Surrogate Modeling in External Aerodynamics

• arxiv url: http://arxiv.org/abs/2508.21249v1
• Date: Thu, 28 Aug 2025 22:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.891361
• Title: A Mixture of Experts Gating Network for Enhanced Surrogate Modeling in External Aerodynamics
• Title（参考訳）: エアロダイナミックスにおける高性能サロゲートモデリングのためのエキスパートゲーティングネットワークの混合
• Authors: Mohammad Amin Nabian, Sanjay Choudhry,
• Abstract要約: Mixture of Experts (MoE) モデルは、3つの異種、最先端の代理モデルの予測を組み合わせる。 システム全体のトレーニングと検証は、自動車空気力学のための高忠実度CFDシミュレーションの大規模でパブリックなベンチマークであるDrivAerMLデータセットで行われている。
• 参考スコア（独自算出の注目度）: 0.28647133890966997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The computational cost associated with high-fidelity CFD simulations remains a significant bottleneck in the automotive design and optimization cycle. While ML-based surrogate models have emerged as a promising alternative to accelerate aerodynamic predictions, the field is characterized by a diverse and rapidly evolving landscape of specialized neural network architectures, with no single model demonstrating universal superiority. This paper introduces a novel meta-learning framework that leverages this architectural diversity as a strength. We propose a Mixture of Experts (MoE) model that employs a dedicated gating network to dynamically and optimally combine the predictions from three heterogeneous, state-of-the-art surrogate models: DoMINO, a decomposable multi-scale neural operator; X-MeshGraphNet, a scalable multi-scale graph neural network; and FigConvNet, a factorized implicit global convolution network. The gating network learns a spatially-variant weighting strategy, assigning credibility to each expert based on its localized performance in predicting surface pressure and wall shear stress fields. To prevent model collapse and encourage balanced expert contributions, we integrate an entropy regularization term into the training loss function. The entire system is trained and validated on the DrivAerML dataset, a large-scale, public benchmark of high-fidelity CFD simulations for automotive aerodynamics. Quantitative results demonstrate that the MoE model achieves a significant reduction in L-2 prediction error, outperforming not only the ensemble average but also the most accurate individual expert model across all evaluated physical quantities. This work establishes the MoE framework as a powerful and effective strategy for creating more robust and accurate composite surrogate models by synergistically combining the complementary strengths of specialized architectures.
• Abstract（参考訳）: 高忠実度CFDシミュレーションに関連する計算コストは、自動車設計と最適化のサイクルにおいて大きなボトルネックとなっている。 MLベースのサロゲートモデルは、空気力学予測を加速するための有望な代替手段として現れてきたが、この分野は、特殊なニューラルネットワークアーキテクチャの多様で急速に進化する展望によって特徴付けられており、普遍的な優位性を示す単一のモデルは存在しない。 本稿では,このアーキテクチャの多様性を強みとして活用する,新しいメタラーニングフレームワークを提案する。 本研究では,マルチスケールニューラルネットワークの分解可能なDoMINO,スケーラブルなマルチスケールグラフニューラルネットワークのX-MeshGraphNet,暗黙的グローバル畳み込みネットワークのFigConvNetという3つの異種・最先端サロゲートモデルの予測を動的に最適に組み合わせるために,専用のゲーティングネットワークを用いたMixture of Experts(MoE)モデルを提案する。 ゲーティングネットワークは、表面圧力および壁せん断応力場を予測する際の局所的な性能に基づいて、各専門家に信頼性を割り当て、空間変動重み付け戦略を学習する。 モデル崩壊を防止し,バランスの取れた専門家の貢献を促進するために,エントロピー正規化項をトレーニング損失関数に統合する。 システム全体のトレーニングと検証は、自動車空気力学のための高忠実度CFDシミュレーションの大規模でパブリックなベンチマークであるDrivAerMLデータセットで行われている。 定量的な結果から,MoEモデルはL-2予測誤差を著しく低減し,アンサンブル平均だけでなく,評価された物理量全体にわたって最も正確な個人専門家モデルよりも優れていた。 この研究は、特殊アーキテクチャの相補的な強みを相乗的に組み合わせることで、より堅牢で正確な複合サロゲートモデルを作成するための強力で効果的な戦略として、MoEフレームワークを確立する。

関連論文リスト

• Iterative Pretraining Framework for Interatomic Potentials [46.53683458224917]
  MLIPモデルの予測性能を向上させるために, 原子間ポテンシャルの反復事前学習(IPIP)を提案する。 IPIPは、反復訓練が最適な局所最小値に収束するのを防ぐための、忘れるメカニズムを組み込んでいる。 汎用力場と比較すると,Mo-S-Oシステムでは予測誤差が80%以上減少し,最大4倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-07-27T03:59:41Z)
• FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models [0.0]
  本研究は,新しいグラフニューラルネットワークアーキテクチャであるFeature-specific Interpretable Graph Neural Network (FIGNN)を提案する。 FIGNNは、科学的応用において非構造化グリッド上で定義されたディープラーニングサロゲートモデルの解釈可能性を高めるように設計されている。
  論文  参考訳（メタデータ） (2025-06-13T01:45:37Z)
• FUDOKI: Discrete Flow-based Unified Understanding and Generation via Kinetic-Optimal Velocities [76.46448367752944]
  MLLM(Multimodal large language model)は、単一のフレームワーク内で視覚的理解と画像生成を統一する言語である。 ほとんどの既存のMLLMはAutore(AR)アーキテクチャに依存しており、将来の開発に固有の制限を課している。 本稿では,離散フローマッチングに基づく統一マルチモーダルモデルであるFUDOKIを紹介する。
  論文  参考訳（メタデータ） (2025-05-26T15:46:53Z)
• Hybrid machine learning models based on physical patterns to accelerate CFD simulations: a short guide on autoregressive models [3.780691701083858]
  本研究では,Long Short-Term Memory (LSTM) アーキテクチャと高次特異値分解を革新的に統合し,流体力学における低次モデリング(ROM)の複雑さに対処する。 この手法は、2次元および3次元のシリンダー流(2次元および3次元)を含む数値的および実験的なデータセットで試験される。 その結果、HOSVDは、異なるエラーメトリクスを用いて証明されたように、すべてのテストシナリオでSVDより優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-09T10:56:03Z)
• Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
  本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。 ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。 複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
  論文  参考訳（メタデータ） (2025-04-02T05:50:19Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Straggler-resilient Federated Learning: Tackling Computation Heterogeneity with Layer-wise Partial Model Training in Mobile Edge Network [4.1813760301635705]
  本稿では,FedPMT(Federated partial Model Training)を提案する。 したがって、FedPMTのすべてのデバイスは、グローバルモデルの最も重要な部分を優先している。 実証的な結果は、FedPMTが既存のベンチマークFedDropを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2023-11-16T16:30:04Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• 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)

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。