論文の概要: P3D: Scalable Neural Surrogates for High-Resolution 3D Physics Simulations with Global Context

• arxiv url: http://arxiv.org/abs/2509.10186v1
• Date: Fri, 12 Sep 2025 12:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.080757
• Title: P3D: Scalable Neural Surrogates for High-Resolution 3D Physics Simulations with Global Context
• Title（参考訳）: P3D:グローバルコンテキストを用いた高分解能3次元物理シミュレーションのためのスケーラブルニューラルネットワークサロゲート
• Authors: Benjamin Holzschuh, Georg Kohl, Florian Redinger, Nils Thuerey,
• Abstract要約: 本稿では,3次元物理シミュレーションを目的としたハイブリッドCNN-Transformerバックボーンアーキテクチャを提案する。 提案するネットワークはシミュレーション領域の小さなパッチで事前訓練が可能であり,グローバルな解を得るために融合することができる。 空間分解能を最大5123ドルの高分解能等方性乱流にスケールする方法を実証する。
• 参考スコア（独自算出の注目度）: 22.305840640878433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a scalable framework for learning deterministic and probabilistic neural surrogates for high-resolution 3D physics simulations. We introduce a hybrid CNN-Transformer backbone architecture targeted for 3D physics simulations, which significantly outperforms existing architectures in terms of speed and accuracy. Our proposed network can be pretrained on small patches of the simulation domain, which can be fused to obtain a global solution, optionally guided via a fast and scalable sequence-to-sequence model to include long-range dependencies. This setup allows for training large-scale models with reduced memory and compute requirements for high-resolution datasets. We evaluate our backbone architecture against a large set of baseline methods with the objective to simultaneously learn the dynamics of 14 different types of PDEs in 3D. We demonstrate how to scale our model to high-resolution isotropic turbulence with spatial resolutions of up to $512^3$. Finally, we demonstrate the versatility of our network by training it as a diffusion model to produce probabilistic samples of highly turbulent 3D channel flows across varying Reynolds numbers, accurately capturing the underlying flow statistics.
• Abstract（参考訳）: 本稿では,高分解能3次元物理シミュレーションのための,決定論的および確率論的ニューラルネットワークの学習のためのスケーラブルなフレームワークを提案する。 本稿では,3次元物理シミュレーションを目的としたハイブリッドCNN-Transformerバックボーンアーキテクチャを提案する。 提案するネットワークはシミュレーション領域の小さなパッチで事前トレーニングが可能で,グローバルなソリューションを得るために融合可能であり,高速でスケーラブルなシーケンス・ツー・シーケンス・モデルを用いて,長距離依存関係を含むガイドを任意に行うことができる。 このセットアップにより、高解像度データセットのメモリと計算要求を削減した大規模モデルのトレーニングが可能になる。 我々は,14種類のPDEを3Dで同時に学習する目的で,大規模なベースライン手法に対してバックボーンアーキテクチャを評価した。 空間分解能が最大512^3$の高分解能等方性乱流にモデルをスケールする方法を実証する。 最後に、拡散モデルとして学習し、様々なレイノルズ数にまたがる高乱流3Dチャネルの確率的サンプルを生成し、基礎となる流れ統計を正確に把握することで、ネットワークの汎用性を実証する。

関連論文リスト

• TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks [27.577307360710545]
  TripNetは3次元の幾何学を固定次元のコンパクトで連続的な特徴マップに暗黙的にエンコードする三面体ベースのニューラルネットワークフレームワークである。 TripNetはDriivAerNetとDriivAerNet++データセットで最先端のパフォーマンスを実現し、ドラッグ係数、表面圧力、フル3Dフローフィールドを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-19T17:30:57Z)
• A Neural Network Architecture Based on Attention Gate Mechanism for 3D Magnetotelluric Forward Modeling [1.5862483908050367]
  本稿では,3次元MTフォワードモデリングのためのアテンションゲーティング機構を統合したMTAGU-Netという新しいニューラルネットワークアーキテクチャを提案する。 デュアルパスアテンションゲーティングモジュールは、前方応答データ画像に基づいて設計され、エンコーダとデコーダの間のスキップ接続に埋め込まれる。 3次元ガウスランダム場(GRF)を利用した合成モデル生成法は,実世界の地質学的シナリオの電気的構造を正確に再現する。
  論文  参考訳（メタデータ） (2025-03-14T13:48:25Z)
• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
  自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。 自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
  論文  参考訳（メタデータ） (2024-02-19T15:33:09Z)
• Turbulence in Focus: Benchmarking Scaling Behavior of 3D Volumetric Super-Resolution with BLASTNet 2.0 Data [4.293221567339693]
  圧縮性乱流の解析は、推進、エネルギー発生、環境に関する応用に不可欠である。 我々は34個の高忠実度直接数値シミュレーションから744個のフルドメインのサンプルを含む2.2TBのデータセットネットワークを提案する。 3次元超解像のための5つのディープラーニングアプローチの合計49種類のバリエーションをベンチマークする。
  論文  参考訳（メタデータ） (2023-09-23T18:57:02Z)
• T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
  拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。 本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。 モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
  論文  参考訳（メタデータ） (2023-05-24T03:32:03Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Variational State-Space Models for Localisation and Dense 3D Mapping in 6 DoF [17.698319441265223]
  深部状態空間モデルにおける近似ベイズ推定として,空間環境における6-DoFの局所化と3次元密度再構成の問題を解く。 この結果、現在の最先端のビジュアルSLAMソリューションに欠ける、世界の表現力のある予測モデルが生まれる。 我々は、最先端のビジュアル・慣性オドメトリーシステムの性能に近づいた、現実的な無人航空機の飛行データに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2020-06-17T22:06:35Z)

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。