論文の概要: A data free neural operator enabling fast inference of 2D and 3D Navier Stokes equations

• arxiv url: http://arxiv.org/abs/2510.23936v2
• Date: Fri, 31 Oct 2025 01:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 13:41:53.424764
• Title: A data free neural operator enabling fast inference of 2D and 3D Navier Stokes equations
• Title（参考訳）: 2次元および3次元ナビエストークス方程式の高速推論を可能にするデータ自由神経演算子
• Authors: Junho Choi, Teng-Yuan Chang, Namjung Kim, Youngjoon Hong,
• Abstract要約: 本研究では,Navier Stokes方程式に対するデータフリー演算子ネットワークを提案する。 2Dベンチマークと3Dテストケース全体で、この手法は従来のニューラル演算子を精度で上回り、アンサンブルでは従来の数値解法よりも高い効率を達成する。
• 参考スコア（独自算出の注目度）: 9.220574860416798
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ensemble simulations of high-dimensional flow models (e.g., Navier Stokes type PDEs) are computationally prohibitive for real time applications. Neural operators enable fast inference but are limited by costly data requirements and poor generalization to 3D flows. We present a data-free operator network for the Navier Stokes equations that eliminates the need for paired solution data and enables robust, real time inference for large ensemble forecasting. The physics-grounded architecture takes initial and boundary conditions as well as forcing functions, yielding solutions robust to high variability and perturbations. Across 2D benchmarks and 3D test cases, the method surpasses prior neural operators in accuracy and, for ensembles, achieves greater efficiency than conventional numerical solvers. Notably, it delivers accurate solutions of the three dimensional Navier Stokes equations, a regime not previously demonstrated for data free neural operators. By uniting a numerically grounded architecture with the scalability of machine learning, this approach establishes a practical pathway toward data free, high fidelity PDE surrogates for end to end scientific simulation and prediction.
• Abstract（参考訳）: 高次元流れモデルのアンサンブルシミュレーション(Navier Stokes型PDE)は、リアルタイムアプリケーションでは計算が禁じられている。 ニューラルネットワークは高速な推論を可能にするが、コストのかかるデータ要求と3Dフローへの一般化の不足によって制限される。 そこで我々は,Navier Stokes方程式のためのデータフリー演算子ネットワークを提案し,ペアリングされた解データの必要性を排除し,大規模なアンサンブル予測のための堅牢でリアルタイムな推論を可能にする。 物理接地型アーキテクチャは、初期条件と境界条件、および関数を強制し、高い可変性と摂動に頑健な解をもたらす。 2Dベンチマークと3Dテストケース全体で、この手法は従来のニューラル演算子を精度で上回り、アンサンブルでは従来の数値解法よりも高い効率を達成する。 特に、これは3次元のナビエ・ストークス方程式の正確な解を提供する。 機械学習のスケーラビリティと数値的な基底を持つアーキテクチャを結合することにより、この手法は、エンドツーエンドの科学的シミュレーションと予測のために、データ自由で高忠実なPDEサロゲートへの実践的な経路を確立する。

関連論文リスト

• Data-Efficient Time-Dependent PDE Surrogates: Graph Neural Simulators vs. Neural Operators [0.0]
  時間依存偏微分方程式(PDE)の原理的代理モデルとしてニューラルグラフシミュレータ(GNS)を提案する。 GNSは、メッセージパッシングと数値的なタイムステッピングスキームを組み合わせて、瞬時微分をモデル化してPDEダイナミクスを学習する。 その結果, GNSはデータ効率が著しく高く, 比較的L2誤差が1%未満であり, 利用可能な軌道は3%に過ぎなかった。
  論文  参考訳（メタデータ） (2025-09-07T17:54:23Z)
• A physics-informed transformer neural operator for learning generalized solutions of initial boundary value problems [0.0]
  物理インフォームドトランスニューラル演算子を開発し,初期条件と境界条件を効率よく一般化する。 PINTOモデルは、トレーニングコロケーションポイントに含まれない時間ステップにおける対流とバーガースの方程式を正確に解くことができる。
  論文  参考訳（メタデータ） (2024-12-12T07:22:02Z)
• 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)
• How to Learn and Generalize From Three Minutes of Data: Physics-Constrained and Uncertainty-Aware Neural Stochastic Differential Equations [24.278738290287293]
  ニューラル微分方程式(SDE)を用いた制御力学モデル学習のためのフレームワークとアルゴリズムを提案する。 本研究では,従来の物理知識を帰納バイアスとして活用するためのドリフト項を構築し,学習モデルの予測の不確かさを距離認識した推定値を表す拡散項を設計する。 我々は、シミュレーションロボットシステムの実験を通じてこれらの能力を実証し、ヘキサコプターの飛行力学をモデル化し制御する。
  論文  参考訳（メタデータ） (2023-06-10T02:33:34Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Deep Random Vortex Method for Simulation and Inference of Navier-Stokes Equations [69.5454078868963]
  ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。 AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。 本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
  論文  参考訳（メタデータ） (2022-06-20T04:58:09Z)
• 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)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Stacked Generative Machine Learning Models for Fast Approximations of Steady-State Navier-Stokes Equations [1.4150517264592128]
  種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。 ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。 我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
  論文  参考訳（メタデータ） (2021-12-13T05:08:55Z)

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。