論文の概要: PMRT: A Training Recipe for Fast, 3D High-Resolution Aerodynamic Prediction

• arxiv url: http://arxiv.org/abs/2509.17182v1
• Date: Sun, 21 Sep 2025 18:05:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.153982
• Title: PMRT: A Training Recipe for Fast, 3D High-Resolution Aerodynamic Prediction
• Title（参考訳）: PMRT:高速3次元高分解能空力予測のためのトレーニングレシピ
• Authors: Sam Jacob Jacob, Markus Mrosek, Carsten Othmer, Harald Köstler,
• Abstract要約: サロゲートモデルは、訓練された設計空間内の空気力学を正確に予測することが示されている。 確率的多分解能トレーニングスケジュールであるプログレッシブ・マルチリゾリューション・トレーニング(PMRT)を提案する。 PMRTは、トレーニング中に変化する確率に基づいて、3つの解像度からバッチをサンプリングする。 シミュレーションパラメータの条件付けにより,実世界のデータセットを含む,さまざまな問題解決者から5つのデータセットを1つのモデルでトレーニングできることが示される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The aerodynamic optimization of cars requires close collaboration between aerodynamicists and stylists, while slow, expensive simulations remain a bottleneck. Surrogate models have been shown to accurately predict aerodynamics within the design space for which they were trained. However, many of these models struggle to scale to higher resolutions because of the 3D nature of the problem and data scarcity. We propose Progressive Multi-Resolution Training (PMRT), a probabilistic multi-resolution training schedule that enables training a U-Net to predict the drag coefficient ($c_d$) and high-resolution velocity fields (512 x 128 x 128) in 24 hours on a single NVIDIA H100 GPU, 7x cheaper than the high-resolution-only baseline, with similar accuracy. PMRT samples batches from three resolutions based on probabilities that change during training, starting with an emphasis on lower resolutions and gradually shifting toward higher resolutions. Since this is a training methodology, it can be adapted to other high-resolution-focused backbones. We also show that a single model can be trained across five datasets from different solvers, including a real-world dataset, by conditioning on the simulation parameters. In the DrivAerML dataset, our models achieve a $c_d$ $R^2$ of 0.975, matching literature baselines at a fraction of the training cost.
• Abstract（参考訳）: 自動車の空力最適化は、空気力学とスタイリストの密接な協力を必要とするが、遅くて高価なシミュレーションはボトルネックのままである。 サロゲートモデルは、訓練された設計空間内の空気力学を正確に予測することが示されている。 しかし、これらのモデルの多くは、問題の3D特性とデータ不足のため、高解像度化に苦慮している。 我々は,1台のNVIDIA H100 GPU上で,U-Netでドラッグ係数(c_d$)と高分解能速度場(512 x 128 x 128)を24時間で予測し,高分解能のみのベースラインよりも7倍安い確率的マルチレゾリューショントレーニングスケジュール(PMRT)を提案する。 PMRTは、トレーニング中に変化する確率に基づいて、3つの解像度からバッチをサンプリングする。 これはトレーニング手法であるため、他の高解像度のバックボーンに適応することができる。 また、シミュレーションパラメータの条件付けにより、実世界のデータセットを含む、さまざまなソルバから5つのデータセットを1つのモデルでトレーニングできることも示している。 DrivAerMLデータセットでは、トレーニングコストのごく一部で文学ベースラインと一致する$c_d$$$R^2$ of 0.975を達成する。

関連論文リスト

• P3D: Scalable Neural Surrogates for High-Resolution 3D Physics Simulations with Global Context [22.305840640878433]
  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。
  論文  参考訳（メタデータ） (2025-09-12T12:26:06Z)
• Learning to Track Any Points from Human Motion [55.831218129679144]
  点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。 AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
  論文  参考訳（メタデータ） (2025-07-08T17:59:58Z)
• AutoHete: An Automatic and Efficient Heterogeneous Training System for LLMs [68.99086112477565]
  トランスフォーマーベースの大規模言語モデル(LLM)は、シーケンスモデリングやテキスト生成において例外的な機能を示した。 既存の異種トレーニング手法は、トレーニング可能なモデルの規模を大幅に拡大するが、かなりの通信オーバーヘッドとCPUワークロードを導入している。 本稿では,シングルGPU環境とマルチGPU環境の両方に互換性のある,自動的で効率的なヘテロジニアストレーニングシステムであるAutoHeteを提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:46:22Z)
• Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
  非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。 FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。 業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:57:57Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• 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)
• 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)
• Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
  本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。 具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-11-10T18:43:18Z)
• SURFNet: Super-resolution of Turbulent Flows with Transfer Learning using Small Datasets [0.9297355862757838]
  本稿では,転写学習に基づく超解像流ネットワークであるSURFNetを紹介する。 SURFNetは主に低解像度データセット上でDLモデルをトレーニングし、転送は少数の高解像度フロー問題でモデルを学習する。 粗いモデルよりも最大256倍の入力解像度で乱流状態におけるナビエ・ストークス方程式を解くことにより、SURFNetの性能を実証的に評価する。
  論文  参考訳（メタデータ） (2021-08-17T14:53:04Z)
• Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
  我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。 単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。 バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
  論文  参考訳（メタデータ） (2021-03-12T00:22:50Z)

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。