論文の概要: EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale

• arxiv url: http://arxiv.org/abs/2510.24173v1
• Date: Tue, 28 Oct 2025 08:27:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.903763
• Title: EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale
• Title（参考訳）: EddyFormer: 大規模3次元乱流の加速ニューラルシミュレーション
• Authors: Yiheng Du, Aditi S. Krishnapriyan,
• Abstract要約: EddyFormerはTransformerベースの大規模乱流シミュレーションのためのスペクトル要素アーキテクチャである。 DNSレベルの精度を2563の解像度で達成し、DNSの30倍のスピードアップを提供する。 物理不変量-エネルギースペクトル、相関関数、構造関数-振れ領域一般化の精度を保っている。
• 参考スコア（独自算出の注目度）: 15.20548942455541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computationally resolving turbulence remains a central challenge in fluid dynamics due to its multi-scale interactions. Fully resolving large-scale turbulence through direct numerical simulation (DNS) is computationally prohibitive, motivating data-driven machine learning alternatives. In this work, we propose EddyFormer, a Transformer-based spectral-element (SEM) architecture for large-scale turbulence simulation that combines the accuracy of spectral methods with the scalability of the attention mechanism. We introduce an SEM tokenization that decomposes the flow into grid-scale and subgrid-scale components, enabling capture of both local and global features. We create a new three-dimensional isotropic turbulence dataset and train EddyFormer to achieves DNS-level accuracy at 256^3 resolution, providing a 30x speedup over DNS. When applied to unseen domains up to 4x larger than in training, EddyFormer preserves accuracy on physics-invariant metrics-energy spectra, correlation functions, and structure functions-showing domain generalization. On The Well benchmark suite of diverse turbulent flows, EddyFormer resolves cases where prior ML models fail to converge, accurately reproducing complex dynamics across a wide range of physical conditions.
• Abstract（参考訳）: 乱流の計算的解決は、その多スケール相互作用による流体力学における中心的な課題である。 直接数値シミュレーション(DNS)による大規模な乱流の完全な解決は、計算的に禁止され、データ駆動機械学習の代替手段を動機付けている。 本研究では,大規模乱流シミュレーションのためのTransformer-based spectrum-element (SEM)アーキテクチャであるEddyFormerを提案する。 グリッドスケールおよびサブグリッドスケールのコンポーネントにフローを分解するSEMトークン化を導入し、局所的特徴とグローバル的特徴の両方をキャプチャする。 我々は新しい3次元等方性乱流データセットを作成し、DNSレベルの精度を256^3で達成し、DNSの30倍のスピードアップを提供するようEddyFormerを訓練する。 EddyFormerは、トレーニングの4倍の未確認領域に適用すると、物理不変のメトリクス-エネルギースペクトル、相関関数、構造関数-ショットドメイン一般化の精度を保っている。 多様な乱流のベンチマークスイートであるThe Wellにおいて、EddyFormerは、以前のMLモデルが収束しないケースを解決し、幅広い物理的条件で複雑なダイナミクスを正確に再現する。

関連論文リスト

• Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
  本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。 レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-01-31T17:51:14Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• 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)
• Reconstructing Turbulent Flows Using Physics-Aware Spatio-Temporal Dynamics and Test-Time Refinement [10.711201734103073]
  低分解能LESデータからシーケンシャルDNSを再構成する物理誘導型ニューラルネットワークを提案する。 また, 物理的制約を強制し, 長期にわたって蓄積した復元誤差を低減するために, Sim ベースの精錬法を開発した。
  論文  参考訳（メタデータ） (2023-04-24T14:33:34Z)
• Eagle: Large-Scale Learning of Turbulent Fluid Dynamics with Mesh Transformers [23.589419066824306]
  流体力学を推定することは、解決するのが非常に難しい。 問題に対する新しいモデル,メソッド,ベンチマークを導入する。 我々の変換器は、既存の合成データセットと実際のデータセットの両方において、最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-16T12:59:08Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。