論文の概要: Shock-Aware Physics-Guided Fusion-DeepONet Operator for Rarefied Micro-Nozzle Flows

• arxiv url: http://arxiv.org/abs/2510.17887v1
• Date: Sat, 18 Oct 2025 10:18:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.316982
• Title: Shock-Aware Physics-Guided Fusion-DeepONet Operator for Rarefied Micro-Nozzle Flows
• Title（参考訳）: 高周波マイクロノズル流に対する衝撃応答型物理誘導核融合-ディープONet演算子
• Authors: Ehsan Roohi, Amirmehran Mahdavi,
• Abstract要約: マイクロノズル流を含む希少な衝撃の高速かつ高精度な代理モデルを構築するための物理知能深層学習フレームワークを提案する。 このフレームワークは、3つの重要なコンポーネント、パラメータ依存をキャプチャするFusion DeepONet演算子学習アーキテクチャ、ショック整合座標系を組み込んだ物理誘導特徴空間、高次領域を強調する2段階のカリキュラム戦略を統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a comprehensive, physics aware deep learning framework for constructing fast and accurate surrogate models of rarefied, shock containing micro nozzle flows. The framework integrates three key components, a Fusion DeepONet operator learning architecture for capturing parameter dependencies, a physics-guided feature space that embeds a shock-aligned coordinate system, and a two-phase curriculum strategy emphasizing high-gradient regions. To demonstrate the generality and inductive bias of the proposed framework, we first validate it on the canonical viscous Burgers equation, which exhibits advective steepening and shock like gradients.
• Abstract（参考訳）: マイクロノズル流を含む希少な衝撃の高速かつ高精度な代理モデルを構築するための包括的・物理知的な深層学習フレームワークを提案する。 このフレームワークは、3つの重要なコンポーネント、パラメータ依存をキャプチャするFusion DeepONet演算子学習アーキテクチャ、ショック整合座標系を組み込んだ物理誘導特徴空間、高次領域を強調する2段階のカリキュラム戦略を統合する。 提案手法の一般性や帰納バイアスを実証するため,まず正準粘性バーガース方程式を用いて,対流の急勾配や勾配のような衝撃を示す。

関連論文リスト

• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Stable and Interpretable Jet Physics with IRC-Safe Equivariant Feature Extraction [0.0]
  コライダー物理におけるクォークグルーオン識別のためのグラフニューラルネットワークについて検討する。 特に、赤外線とコリニア(IRC)の安全性を強制するメッセージパッシングアーキテクチャを設計する。 解析により、物理認識ネットワークはトレーニングインスタンス間でより安定であり、複数の解釈可能な方向にわたって遅延分散を分散していることがわかった。
  論文  参考訳（メタデータ） (2025-09-26T08:42:58Z)
• When Network Architecture Meets Physics: Deep Operator Learning for Coupled Multiphysics [0.36651088217486427]
  本稿では, 単一物理系, 弱い結合系, 強く結合した多物理系という三つの状態におけるDeepONet変種を包括的に評価する。 本研究では, 双対空間入力を持つ反応拡散方程式, 温度依存性の導電率による双方向結合を有する非線形熱電問題, 過渡相駆動相互作用によって制御される鋼凝固の粘塑性熱-機械モデルについて考察する。 物理カップリングによるアーキテクチャの整合性が重要であるのに対し,マルチブランチ符号化は疎結合や単一物理問題に有利であることを示す。
  論文  参考訳（メタデータ） (2025-07-04T15:36:15Z)
• Learning Fluid-Structure Interaction Dynamics with Physics-Informed Neural Networks and Immersed Boundary Methods [0.39146761527401425]
  物理インフォームドニューラルネットワーク(PINN)は、複雑な流体力学問題を解決するための有望なアプローチとして登場した。 この研究は流体構造相互作用(FSI)問題と移動境界のモデル化という課題に対処する。 我々は,没入境界法(IBM)の原則を取り入れたイノベーティブなEulerian-Lagrangian PINNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-24T07:07:53Z)
• PhySense: Sensor Placement Optimization for Accurate Physics Sensing [71.02216400133858]
  PhySenseは、物理的なフィールドを共同で再構築し、センサー配置を最適化するフレームワークである。 最先端の物理センサーの精度を達成し、以前は考えられていなかった情報的なセンサー配置を発見する。
  論文  参考訳（メタデータ） (2025-05-19T14:59:11Z)
• Uncovering Magnetic Phases with Synthetic Data and Physics-Informed Training [0.0]
  合成データに基づいて学習した人工ニューラルネットワークを用いた磁気位相の効率的な学習について検討する。 モデル性能を向上させるために,物理インフォームドガイダンスの2つの重要な形態を取り入れた。 この結果から, 合成, 構造化, 計算効率のよい学習手法は, 物理的に意味のある位相境界を明らかにすることができることがわかった。
  論文  参考訳（メタデータ） (2025-05-15T15:16:16Z)
• DuCos: Duality Constrained Depth Super-Resolution via Foundation Model [56.88399488384106]
  ラグランジアン双対性理論に基づく新しい深度超解像フレームワークであるDuCosを紹介する。 DuCosは、ファンデーションモデルをプロンプトとして、さまざまなシナリオにおける一般化を著しく改善した最初の企業だ。
  論文  参考訳（メタデータ） (2025-03-06T07:36:45Z)
• Divide-and-Conquer: Confluent Triple-Flow Network for RGB-T Salient Object Detection [70.84835546732738]
  RGB-Thermal Salient Object Detectionは、目視と熱赤外画像のペア内の目立つ物体をピンポイントすることを目的としている。 従来のエンコーダ・デコーダアーキテクチャは、欠陥モードから生じるノイズに対する頑健さを十分に考慮していなかったかもしれない。 本稿では,Divide-and-Conquer戦略を用いた,堅牢なConfluent Triple-Flow NetworkであるConTriNetを提案する。
  論文  参考訳（メタデータ） (2024-12-02T14:44:39Z)
• A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
  高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。 提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。 局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-09-25T01:13:51Z)

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。