論文の概要: Cross-Field Interface-Aware Neural Operators for Multiphase Flow Simulation

• arxiv url: http://arxiv.org/abs/2511.08625v1
• Date: Thu, 13 Nov 2025 01:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.150872
• Title: Cross-Field Interface-Aware Neural Operators for Multiphase Flow Simulation
• Title（参考訳）: 多相流シミュレーションのためのクロスフィールドインタフェース対応ニューラル演算子
• Authors: ZhenZhong Wang, Xin Zhang, Jun Liao, Min Jiang,
• Abstract要約: Interface Information-Aware Neural Operator (IANO) は、インターフェイス情報を物理的事前に明示的に活用し、予測精度を高める新しいフレームワークである。 IANOは、多相流シミュレーションの精度を$sim$10%向上し、データスカースおよびノイズ摂動条件下ではロバスト性を維持している。
• 参考スコア（独自算出の注目度）: 10.347532590928685
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multiphase flow systems, with their complex dynamics, field discontinuities, and interphase interactions, pose significant computational challenges for traditional numerical solvers. While neural operators offer efficient alternatives, they often struggle to achieve high-resolution numerical accuracy in these systems. This limitation primarily stems from the inherent spatial heterogeneity and the scarcity of high-quality training data in multiphase flows. In this work, we propose the Interface Information-Aware Neural Operator (IANO), a novel framework that explicitly leverages interface information as a physical prior to enhance the prediction accuracy. The IANO architecture introduces two key components: 1) An interface-aware multiple function encoding mechanism jointly models multiple physical fields and interfaces, thus capturing the high-frequency physical features at the interface. 2) A geometry-aware positional encoding mechanism further establishes the relationship between interface information, physical variables, and spatial positions, enabling it to achieve pointwise super-resolution prediction even in the low-data regimes. Experimental results demonstrate that IANO outperforms baselines by $\sim$10\% in accuracy for multiphase flow simulations while maintaining robustness under data-scarce and noise-perturbed conditions.
• Abstract（参考訳）: 複雑な力学、場の不連続性、相間相互作用を持つ多相流系は、従来の数値解法において重要な計算課題を提起する。 神経オペレーターは効率的な代替手段を提供するが、これらのシステムでは高解像度の数値精度を達成するのに苦労することが多い。 この制限は主に、本質的に空間的不均一性と、多相流における高品質なトレーニングデータの不足に起因する。 本研究では,インターフェース情報を物理先行として明示的に活用し,予測精度を高める新しいフレームワークであるInterface Information-Aware Neural Operator (IANO)を提案する。 IANOアーキテクチャは2つの重要なコンポーネントを導入している。 1) インタフェースを意識した多機能符号化機構は、複数の物理場とインタフェースを共同でモデル化し、インタフェースにおける高周波物理特徴をキャプチャする。 2) 幾何認識位置符号化機構は, インターフェース情報, 物理変数, 空間位置の関係をさらに確立し, 低データ状態においても, ポイントワイドな超解像予測を実現する。 実験結果から, IANOは, 多相流シミュレーションの精度を$\sim$10\%向上し, 耐ロバスト性を維持した。

関連論文リスト

• Physics-Informed Neural Networks for Enhanced Interface Preservation in Lattice Boltzmann Multiphase Simulations [4.744635045603924]
  本稿では物理インフォームドニューラルネットワーク(PINN)を用いた多相格子ボルツマン法(LBM)シミュレーションにおけるシャープインタフェースの保存方法の改善について述べる。 界面拡散は多相LBMにおいて一般的な課題であり、界面力学が重要となる現象のシミュレーションにおいて精度が低下する。 シミュレーションの物理的精度を保ちながらインタフェースのシャープさを維持するPINN-LBMフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-13T08:29:00Z)
• COMPOL: A Unified Neural Operator Framework for Scalable Multi-Physics Simulations [21.983719504206878]
  COMPOLは、新しい多物理演算子学習フレームワークである。 遅延特徴空間内の相互作用する物理過程間の相互依存性を効果的にモデル化する、洗練された繰り返しおよび注意に基づく集約機構が組み込まれている。 最先端の手法に比べて予測精度が優れている。
  論文  参考訳（メタデータ） (2025-01-28T20:58:55Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
  画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。 振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。 第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
  論文  参考訳（メタデータ） (2023-08-14T08:23:58Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)

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。