論文の概要: Residual-guided AI-CFD hybrid method enables stable and scalable simulations: from 2D benchmarks to 3D applications
- arxiv url: http://arxiv.org/abs/2510.21804v1
- Date: Tue, 21 Oct 2025 02:29:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 17:41:21.899172
- Title: Residual-guided AI-CFD hybrid method enables stable and scalable simulations: from 2D benchmarks to 3D applications
- Title（参考訳）: 残留誘導型AI-CFDハイブリッド法は安定かつスケーラブルなシミュレーションを可能にする:2Dベンチマークから3Dアプリケーションまで
- Authors: Shilaj Baral, Youngkyu Lee, Sangam Khanal, Joongoo Jeon,
- Abstract要約: XRePITは、機械学習(ML)アクセラレーションとソルバベースの補正を相乗化する、新しいハイブリッドシミュレーション戦略である。
この新設計は、長期間にわたる障壁を克服し、最初の安定的で高速化されたロールアウトを1万以上のタイムステップで達成できることを実証する。
これにより、成熟したスケーラブルなハイブリッド手法が確立され、現実世界のエンジニアリングでの利用方法が確立される。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purely data-driven surrogates for fluid dynamics often fail catastrophically from error accumulation, while existing hybrid methods have lacked the automation and robustness for practical use. To solve this, we developed XRePIT, a novel hybrid simulation strategy that synergizes machine learning (ML) acceleration with solver-based correction. We specifically designed our method to be fully automated and physics-aware, ensuring the stability and practical applicability that previous approaches lacked. We demonstrate that this new design overcomes long-standing barriers, achieving the first stable, accelerated rollouts for over 10,000 timesteps. The method also generalizes robustly to unseen boundary conditions and, crucially, scales to 3D flows. Our approach delivers speedups up to 4.98$\times$ while maintaining high physical fidelity, resolving thermal fields with relative errors of ~1E-3 and capturing low magnitude velocity dynamics with errors below 1E-2 ms-1. This work thus establishes a mature and scalable hybrid method, paving the way for its use in real-world engineering.
- Abstract（参考訳）: 流体力学のための純粋なデータ駆動サロゲートは、しばしばエラーの蓄積によって破滅的に失敗する。
そこで我々は,機械学習(ML)アクセラレーションとソルバに基づく補正を相乗化するためのハイブリッドシミュレーション手法であるXRePITを開発した。
提案手法は,従来のアプローチが欠如していた安定性と実用性を確保するために,完全に自動化され,物理に配慮した設計を行った。
この新設計は、長期間にわたる障壁を克服し、最初の安定的で高速化されたロールアウトを1万以上のタイムステップで達成できることを実証する。
この手法はまた、目に見えない境界条件に頑健に一般化し、決定的に3Dフローにスケールする。
提案手法は, 高い物理忠実度を維持しつつ, 1E-3 の相対誤差で熱電場を解き, 1E-2 ms-1 以下の誤差で低等速速度のダイナミクスを捉えながら, 最大4.98$\times$を提供する。
これにより、成熟したスケーラブルなハイブリッド手法が確立され、現実世界のエンジニアリングでの利用方法が確立される。
関連論文リスト
- Few-step Flow for 3D Generation via Marginal-Data Transport Distillation [104.76254102015794]
数段階の3次元流体蒸留のための新しいフレームワーク MDT-dist を提案する。
我々のアプローチは、事前訓練されたモデルを蒸留して、Marginal-Data Transportを学習する、という第一の目的に基づいて構築されている。
提案手法は,A800におけるA800の9.0倍,6.5倍の速度で0.68s (1 Step x2) と0.94s (2 Step x2) のレイテンシを実現するため,各流れトランスのサンプリングステップを25から2に短縮する。
論文 参考訳（メタデータ） (2025-09-04T17:24:31Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。
データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。
本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
論文 参考訳（メタデータ） (2025-05-23T03:28:25Z) - An Adaptive Framework for Autoregressive Forecasting in CFD Using Hybrid Modal Decomposition and Deep Learning [3.1337872355726084]
この研究は著者の知識を最大限に活用するために、ディープラーニング(DL)自己回帰予測モデルを長期間の地平線上で安定化させるために設計された、最初の一般化可能で完全なデータ駆動適応フレームワークを提示する。
提案手法は, (i) 訓練されたDLモデルを用いて, 選択した時間間隔で流れ場の進化を予測し, (ii) 安定度が低下した場合に新たに生成されたCFDデータを用いてモデルを更新することにより, 正確な長期予測を行う。
この枠組みは, 層流から乱流まで, より複雑化する3つの流路にまたがって検証され, 30%から95パーセントの範囲で実証された。
論文 参考訳（メタデータ） (2025-05-02T18:33:41Z) - Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。
動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。
提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
論文 参考訳（メタデータ） (2025-04-15T16:54:04Z) - Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。
深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。
Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
論文 参考訳（メタデータ） (2025-04-03T04:07:18Z) - Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳（メタデータ） (2024-09-11T10:38:30Z) - High-Dimensional Yield Estimation using Shrinkage Deep Features and
Maximization of Integral Entropy Reduction [0.8522010776600341]
非線形カーネル関連ディープカーネルにおいて,プロセスの変動パラメータを自動的に識別する絶対的深層学習ASDKを提案する。
カラム回路の実験は、SOTA法よりも最大10.3倍の高速化で精度と効率の点で、最先端(SOTA)アプローチよりもASDKの方が優れていることを示した。
論文 参考訳（メタデータ） (2022-12-05T08:39:41Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-10-12T09:12:59Z) - Towards Fast, Accurate and Stable 3D Dense Face Alignment [73.01620081047336]
本稿では,速度,精度,安定性のバランスをとる3DDFA-V2という新しい回帰フレームワークを提案する。
本研究では,静止画を平面内と面外の動きを取り入れた映像に変換する仮想合成法を提案する。
論文 参考訳（メタデータ） (2020-09-21T15:37:37Z)
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。