論文の概要: MNO: Multiscale Neural Operator for Computational Fluid Dynamics with 3D Point Cloud Data

• arxiv url: http://arxiv.org/abs/2510.16071v1
• Date: Fri, 17 Oct 2025 09:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.82792
• Title: MNO: Multiscale Neural Operator for Computational Fluid Dynamics with 3D Point Cloud Data
• Title（参考訳）: MNO:3次元点クラウドデータを用いた計算流体力学用マルチスケールニューラル演算子
• Authors: Qinxuan Wang, Chuang Wang, Mingyu Zhang, Jingwei Sun, Peipei Yang, Shuo Tang, Shiming Xiang,
• Abstract要約: 我々は,非構造化点雲上での計算流体力学(CFD)のための新しいアーキテクチャであるマルチスケールニューラル演算子(MNO)を紹介する。 MNOは、長距離依存のための大域的次元収縮アテンションモジュール、近隣レベルのインタラクションのための局所グラフアテンションモジュール、細かな詳細のためのマイクロポイント・アテンションモジュールの3つの尺度で明確に情報を分解する。 すべてのタスクにおいて、MNOは最先端のベースラインを一貫して上回り、予測エラーを5%から40%削減し、3D CFD問題に挑戦する際の堅牢性を向上した。
• 参考スコア（独自算出の注目度）: 24.23269287440306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural operators have emerged as a powerful data-driven paradigm for solving Partial Differential Equations (PDEs), offering orders-of-magnitude acceleration over traditional solvers. However, existing approaches still suffer from limited accuracy and scalability, particularly on irregular domains where fluid flows exhibit rich multiscale structures. In this work, we introduce the Multiscale Neural Operator (MNO), a new architecture for Computational Fluid Dynamics (CFD) on three-dimensional (3D) unstructured point clouds. MNO explicitly decomposes information across three scales: a global dimension-shrinkage attention module for long-range dependencies, a local graph attention module for neighborhood-level interactions, and a micro point-wise attention module for fine-grained details. This design preserves multiscale inductive biases while remaining computationally efficient. We evaluate MNO on four diverse benchmarks, covering both steady-state and unsteady flow scenarios with up to 300K points. Across all tasks, MNO consistently outperforms state-of-the-art baselines, reducing prediction errors by 5% to 40% and demonstrating improved robustness in challenging 3D CFD problems. Our results highlight the importance of explicit multiscale design for neural operators and establish MNO as a scalable framework for learning complex fluid dynamics on irregular domains.
• Abstract（参考訳）: ニューラル演算子は、偏微分方程式(PDE)を解くための強力なデータ駆動パラダイムとして登場し、従来の解法よりも高次加速度を提供する。 しかし、流体の流れがリッチなマルチスケール構造を示す不規則な領域では、既存のアプローチは依然として限られた精度とスケーラビリティに悩まされている。 本研究では,3次元非構造点雲上でのCFD(Computational Fluid Dynamics)のための新しいアーキテクチャであるMNO(Multiscale Neural Operator)を紹介する。 MNOは、長距離依存のための大域的次元収縮アテンションモジュール、近隣レベルのインタラクションのための局所グラフアテンションモジュール、細かな詳細のためのマイクロポイント・アテンションモジュールの3つの尺度で明確に情報を分解する。 この設計は、計算効率を保ちながら、マルチスケールの帰納バイアスを保存する。 我々はMNOを4つの多様なベンチマークで評価し、最大300Kポイントの定常流と非定常流の両方のシナリオをカバーした。 すべてのタスクにおいて、MNOは最先端のベースラインを一貫して上回り、予測エラーを5%から40%削減し、3D CFD問題に挑戦する際の堅牢性を向上した。 この結果から,ニューラル演算子に対する明示的なマルチスケール設計の重要性を強調し,不規則領域における複雑な流体力学を学習するためのスケーラブルなフレームワークとしてMNOを確立した。

関連論文リスト

• Latent Mamba Operator for Partial Differential Equations [8.410938527671341]
  本稿では,潜時空間における状態空間モデル(SSM)の効率を,ニューラル演算子におけるカーネル積分定式化の表現力と統合する潜在マンバ演算子(LaMO)を紹介する。 LaMOは、ソリューション演算子近似における既存のベースラインよりも32.3%改善され、一貫したSOTA(State-of-the-art)性能を実現している。
  論文  参考訳（メタデータ） (2025-05-25T11:51:31Z)
• Wavelet Diffusion Neural Operator [17.617919636212445]
  本稿では,新しいPDEシミュレーションおよび制御フレームワークであるWavelet Neural Diffusion Operator (WDNO)を提案する。 WDNOはウェーブレット領域で拡散に基づく生成モデルを実行し、急激な変化と長期依存を効果的に処理する。 様々な解像度での一般化が不十分な問題に対処するために,マルチレゾリューショントレーニングを導入する。
  論文  参考訳（メタデータ） (2024-12-06T07:56:25Z)
• Multi-Grid Tensorized Fourier Neural Operator for High-Resolution PDEs [93.82811501035569]
  本稿では,メモリ要求を低減し,より一般化したデータ効率・並列化可能な演算子学習手法を提案する。 MG-TFNOは、実世界の実世界の現象の局所的構造と大域的構造を活用することで、大規模な分解能にスケールする。 乱流ナビエ・ストークス方程式において150倍以上の圧縮で誤差の半分以下を達成できる優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-29T20:18:52Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
  エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。 ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
  論文  参考訳（メタデータ） (2022-06-19T14:41:08Z)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。