論文の概要: Learning Turbulent Flows with Generative Models: Super-resolution, Forecasting, and Sparse Flow Reconstruction

• arxiv url: http://arxiv.org/abs/2509.08752v1
• Date: Wed, 10 Sep 2025 16:42:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.51289
• Title: Learning Turbulent Flows with Generative Models: Super-resolution, Forecasting, and Sparse Flow Reconstruction
• Title（参考訳）: 生成モデルによる乱流の学習:超解像, 予測, スパース流の再構成
• Authors: Vivek Oommen, Siavash Khodakarami, Aniruddha Bora, Zhicheng Wang, George Em Karniadakis,
• Abstract要約: 演算子学習と生成的モデリングを組み合わせることで、この制限を克服できることが示される。 乱流3次元等方性等方性の場合、Adv-NOは、1つの軌道予測から160の時間ステップで5回の渦転回を正確に訓練した。 高スパース粒子追跡速度計のような入力からシリンダーフローを再構成するために、条件生成フェーズは正確な統計量で完全な3次元速度と圧力場を推定する。
• 参考スコア（独自算出の注目度）: 6.508732875368554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural operators are promising surrogates for dynamical systems but when trained with standard L2 losses they tend to oversmooth fine-scale turbulent structures. Here, we show that combining operator learning with generative modeling overcomes this limitation. We consider three practical turbulent-flow challenges where conventional neural operators fail: spatio-temporal super-resolution, forecasting, and sparse flow reconstruction. For Schlieren jet super-resolution, an adversarially trained neural operator (adv-NO) reduces the energy-spectrum error by 15x while preserving sharp gradients at neural operator-like inference cost. For 3D homogeneous isotropic turbulence, adv-NO trained on only 160 timesteps from a single trajectory forecasts accurately for five eddy-turnover times and offers 114x wall-clock speed-up at inference than the baseline diffusion-based forecasters, enabling near-real-time rollouts. For reconstructing cylinder wake flows from highly sparse Particle Tracking Velocimetry-like inputs, a conditional generative model infers full 3D velocity and pressure fields with correct phase alignment and statistics. These advances enable accurate reconstruction and forecasting at low compute cost, bringing near-real-time analysis and control within reach in experimental and computational fluid mechanics. See our project page: https://vivekoommen.github.io/Gen4Turb/
• Abstract（参考訳）: ニューラル作用素は力学系のサロゲートを約束するが、標準的なL2損失で訓練すると、微細な乱流構造を過度に超える傾向にある。 ここでは、演算子学習と生成的モデリングを組み合わせることで、この制限を克服できることが示される。 本稿では, 時空間超解像, 予測, スパースフロー再構成という, 従来のニューラルオペレーターが失敗する3つの実用的な乱流問題について考察する。 シュリーレンジェット超解像の場合、逆向きに訓練されたニューラル演算子(adv-NO)は、ニューラル演算子のような推論コストで急勾配を保ちながら、エネルギースペクトル誤差を15倍に削減する。 3次元均質等方性乱流の場合、Adv-NOは、1つの軌道予測から160の時間ステップで5回の渦転回時間で正確にトレーニングし、ベースライン拡散ベースの予測器よりも114倍のウォールクロックの速度アップを提供し、ほぼリアルタイムのロールアウトを可能にする。 高スパース粒子追跡速度計のような入力からシリンダーフローを再構成するために、条件生成モデルは、位相アライメントと統計を正し、完全な3次元速度と圧力場を推定する。 これらの進歩により、計算コストの低い正確な再構築と予測が可能となり、実験および計算流体力学において、ほぼリアルタイムな解析と制御が可能となった。 https://vivekoommen.github.io/Gen4Turb/

関連論文リスト

• Accelerating HEC-RAS: A Recurrent Neural Operator for Rapid River Forecasting [0.0]
  本稿では,HEC-RASを解法としてではなく,データ生成エンジンとして扱う深層学習サロゲートを提案する。 ミシシッピ川流域の67か所で訓練され、サロゲートは1年間、目に見えないホールドアウトシミュレーションで評価された。 結果は、モデルが高い予測精度を達成し、中央値の絶対ステージ誤差は0.31フィートであることを示している。
  論文  参考訳（メタデータ） (2025-07-21T13:38:54Z)
• Implicit factorized transformer approach to fast prediction of turbulent channel flows [6.70175842351963]
  本稿では,従来の連鎖因数分解処理を並列因数分解処理に置き換える改良型暗黙因数分解変換器 (IFactFormer-m) モデルを提案する。 IFactFormer-mモデルは乱流流の長期予測に成功している。
  論文  参考訳（メタデータ） (2024-12-25T09:05:14Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Combined space-time reduced-order model with 3D deep convolution for extrapolating fluid dynamics [4.984601297028257]
  近年,深層学習に基づく低次モデルがシミュレーションに有効であることが示されている。 本研究では,ネットワークアーキテクチャを改良し,空間物理学を暗黙のバイアスとして統合することにより,外挿性能の向上を目指す。 3次元畳み込みネットワークの有効性を実証するために, 円柱を過ぎる流れの層流条件におけるベンチマーク問題を考察した。
  論文  参考訳（メタデータ） (2022-11-01T07:14:07Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)

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。