論文の概要: FoilDiff: A Hybrid Transformer Backbone for Diffusion-based Modelling of 2D Airfoil Flow Fields

• arxiv url: http://arxiv.org/abs/2510.04325v1
• Date: Sun, 05 Oct 2025 19:10:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.585793
• Title: FoilDiff: A Hybrid Transformer Backbone for Diffusion-based Modelling of 2D Airfoil Flow Fields
• Title（参考訳）: FoilDiff:2次元翼流れ場の拡散モデルのためのハイブリッド変圧器バックボーン
• Authors: Kenechukwu Ogbuagu, Sepehr Maleki, Giuseppe Bruni, Senthil Krishnababu,
• Abstract要約: FoilDiffは、ハイブリッドバックボーンデノナイジングネットワークを備えた拡散ベースのサロゲートモデルである。 既存の拡散モデルよりも正確な予測とより良い校正された予測の不確実性を提供することができる。
• 参考スコア（独自算出の注目度）: 1.5749416770494706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The accurate prediction of flow fields around airfoils is crucial for aerodynamic design and optimisation. Computational Fluid Dynamics (CFD) models are effective but computationally expensive, thus inspiring the development of surrogate models to enable quicker predictions. These surrogate models can be based on deep learning architectures, such as Convolutional Neural Networks (CNNs), Graph Neural Networks (GNNs), and Diffusion Models (DMs). Diffusion models have shown significant promise in predicting complex flow fields. In this work, we propose FoilDiff, a diffusion-based surrogate model with a hybrid-backbone denoising network. This hybrid design combines the power of convolutional feature extraction and transformer-based global attention to generate more adaptable and accurate representations of flow structures. FoilDiff takes advantage of Denoising Diffusion Implicit Model (DDIM) sampling to optimise the efficiency of the sampling process at no additional cost to model generalisation. We used encoded representations of Reynolds number, angle of attack, and airfoil geometry to define the input space for generalisation across a wide range of aerodynamic conditions. When evaluated against state-of-the-art models, FoilDiff shows significant performance improvements, with mean prediction errors reducing by up to 85\% on the same datasets. The results have demonstrated that FoilDiff can provide both more accurate predictions and better-calibrated predictive uncertainty than existing diffusion-based models.
• Abstract（参考訳）: 翼まわりの流れの正確な予測は空力設計と最適化に不可欠である。 計算流体力学(CFD)モデルは効率的だが計算コストがかかるため、より高速な予測を可能にする代理モデルの開発が促される。 これらの代理モデルは、畳み込みニューラルネットワーク(CNN)、グラフニューラルネットワーク(GNN)、拡散モデル(DM)などのディープラーニングアーキテクチャをベースとすることができる。 拡散モデルは複雑な流れ場を予測する上で大きな可能性を示してきた。 本稿では,ハイブリッドバックボーンデノゲーションネットワークを備えた拡散型サロゲートモデルであるFoilDiffを提案する。 このハイブリッド設計は、畳み込み特徴抽出とトランスフォーマーに基づくグローバルアテンションのパワーを組み合わせて、より適応的で正確なフロー構造表現を生成する。 FoilDiffは、Diffusion Implicit Model (DDIM) のサンプリングを利用して、サンプリングプロセスの効率をモデル一般化のための追加コストなしで最適化する。 我々はレイノルズ数、攻撃角、翼形状のエンコード表現を用いて、幅広い空力条件をまたいだ一般化のための入力空間を定義した。 最先端モデルに対して評価すると、FoilDiffは大幅なパフォーマンス向上を示し、同じデータセットで平均予測エラーが最大85%削減された。 結果は、FoilDiffが既存の拡散モデルよりも正確な予測とより良い校正された予測の不確実性の両方を提供できることを示した。

関連論文リスト

• A Novel Cloud-Based Diffusion-Guided Hybrid Model for High-Accuracy Accident Detection in Intelligent Transportation Systems [21.082870778158313]
  誘導分類と拡散手法を組み合わせた新しいハイブリッドモデルを提案する。 私たちの実装はクラウドベースで、スケーラブルで効率的な処理を可能にしています。 提案した拡散モデルでは,97.32%の精度で画像に基づく事故検出を行う。
  論文  参考訳（メタデータ） (2025-10-04T05:02:15Z)
• FideDiff: Efficient Diffusion Model for High-Fidelity Image Motion Deblurring [33.809728459395785]
  FideDiffは、高忠実度デブロアリング用に設計された新しい単一ステップ拡散モデルである。 我々は、各タイムステップが徐々にぼやけた画像を表す拡散のようなプロセスとして、動きのデブロアリングを再構成する。 一致したぼやけた軌跡でトレーニングデータを再構成することにより、モデルは時間的一貫性を学習し、正確なワンステップのデブロワーを可能にする。
  論文  参考訳（メタデータ） (2025-10-02T03:44:45Z)
• Predicting Flow Dynamics using Diffusion Models [0.0]
  DiffFluidモデルでは、拡散モデルとトランスフォーマーを組み合わせることで、流体力学を予測できることが示されている。 我々の目標は、DiffFluid論文の手法を他のシミュレーションタイプで検証しながら検証することであった。 以上の結果から,拡散モデルの適用可能性と課題が複雑流体力学問題に適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-07-10T18:47:41Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
  DeFoGは、トレーニングからサンプリングをアンタングルするグラフ生成フレームワークである。 本稿では,性能を著しく向上し,必要な精錬工程数を削減できる新しいサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T18:52:54Z)
• Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization [45.72323731094864]
  本稿では,2層ニューラルネットワークを用いた拡散モデル解析のための理論的枠組みを提案する。 我々は,1つの凸プログラムを解くことで,スコア予測のための浅層ニューラルネットワークのトレーニングが可能であることを証明した。 本結果は, ニューラルネットワークに基づく拡散モデルが漸近的でない環境で何を学習するかを, 正確に評価するものである。
  論文  参考訳（メタデータ） (2024-02-03T00:20:25Z)
• Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
  本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。 その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。 また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T19:04:17Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)

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。