論文の概要: GLOBE: Accurate and Generalizable PDE Surrogates using Domain-Inspired Architectures and Equivariances

• arxiv url: http://arxiv.org/abs/2511.15856v1
• Date: Wed, 19 Nov 2025 20:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.367288
• Title: GLOBE: Accurate and Generalizable PDE Surrogates using Domain-Inspired Architectures and Equivariances
• Title（参考訳）: GLOBE:ドメインにインスパイアされたアーキテクチャと等価性を用いた精度と一般化可能なPDEサロゲート
• Authors: Peter Sharpe,
• Abstract要約: GLOBEは、学習可能なグリーン関数のようなカーネルの重ね合わせとして、境界面からターゲットへ評価されるソリューションである。 AirFRANSでは、GLOBEは相当な精度向上を実現している。 結果は、厳密な物理学とドメインにインスパイアされた帰納的バイアスが、精度、一般化可能性、実用性に大きな利益をもたらすことを示した。
• 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 introduce GLOBE, a new neural surrogate for homogeneous PDEs that draws inductive bias from boundary-element methods and equivariant ML. GLOBE represents solutions as superpositions of learnable Green's-function-like kernels evaluated from boundary faces to targets, composed across multiscale branches and communication hyperlayers. The architecture is translation-, rotation-, and parity-equivariant; discretization-invariant in the fine-mesh limit; and units-invariant via rigorous nondimensionalization. An explicit far-field decay envelope stabilizes extrapolation, boundary-to-boundary hyperlayer communication mediates long-range coupling, and the all-to-all boundary-to-target evaluation yields a global receptive field that respects PDE information flow, even for elliptic PDEs. On AirFRANS (steady incompressible RANS over NACA airfoils), GLOBE achieves substantial accuracy improvements. On the "Full" split, it reduces mean-squared error by roughly 200x on all fields relative to the dataset's reference baselines, and roughly 50x relative to the next-best-performing model. In the "Scarce" split, it achieves over 100x lower error on velocity and pressure fields and over 600x lower error on surface pressure than Transolver. Qualitative results show sharp near-wall gradients, coherent wakes, and limited errors under modest extrapolation in Reynolds number and angle of attack. In addition to this accuracy, the model is quite compact (117k parameters), and fields can be evaluated at arbitrary points during inference. We also demonstrate the ability to train and predict with non-watertight meshes, which has strong practical implications. These results show that rigorous physics- and domain-inspired inductive biases can achieve large gains in accuracy, generalizability, and practicality for ML-based PDE surrogates for industrial computer-aided engineering (CAE).
• Abstract（参考訳）: 境界要素法と同変MLから帰納バイアスを引き出す同質PDEのための新しいニューラルネットワークサロゲートであるGLOBEを導入する。 GLOBEは、学習可能なグリーン関数型カーネルの重ね合わせとして、境界面からターゲットまでの評価を行い、マルチスケールブランチと通信ハイパーレイヤーにまたがって構成する。 アーキテクチャは、変換-、回転-、パリティ-等式、微細メッシュ極限における離散化-不変、厳密な非次元化による単位不変である。 明示的な遠距離減衰エンベロープは外挿を安定化し、境界-境界超層通信は長距離結合を媒介し、全対全境界-ターゲット評価は楕円型PDEであってもPDE情報の流れを尊重する大域的受容場を得る。 AirFRANS(NACA翼上の安定非圧縮性RANS)では、GLOBEは相当な精度向上を実現している。 フル」分割では、データセットの基準ベースラインに対する全フィールドで平均2乗誤差を約200倍、次のベストパフォーマンスモデルに対する約50倍削減する。 スカース」分割では、速度と圧力場の誤差は100倍以上、表面圧力の誤差はトランスオーバーの600倍以上である。 定性的な結果から,レイノルズ数および攻撃角度の緩やかな外挿下での急激な近壁勾配,コヒーレントウェイク,限られた誤差が示された。 この精度に加えて、モデルは極めてコンパクト(117kパラメータ)で、推論中に任意の点でフィールドを評価することができる。 また,非水密メッシュによるトレーニングと予測の能力も示す。 これらの結果は、産業用コンピュータ支援工学(CAE)のためのMLベースのPDEサロゲートの精度、一般化性、実用性において、厳密な物理およびドメインインスパイアされた帰納バイアスが大きな向上を達成できることを示している。

関連論文リスト

• Scale-Consistent Learning for Partial Differential Equations [79.48661503591943]
  本稿では,PDEのスケール一貫性特性に基づくデータ拡張手法を提案する。 次に、幅広いスケールをモデル化できるスケールインフォームド・ニューラル演算子を設計する。 スケール一貫性によって、1000ドルの$Re$でトレーニングされたモデルは、250から10000までの$Re$に一般化することができる。
  論文  参考訳（メタデータ） (2025-07-24T21:29:52Z)
• The BdryMatérn GP: Reliable incorporation of boundary information on irregular domains for Gaussian process modeling [11.009869781698477]
  本稿では,不規則連結領域上でディリクレ,ノイマン,ロビンの境界を確実に統合できる新しいBdryMat'ern GPモデリングフレームワークを提案する。 また,有限要素モデリングと厳密な誤差解析を用いたBdryMat'ernカーネルの効率的な近似手法を提案する。
  論文  参考訳（メタデータ） (2025-07-12T07:53:49Z)
• Reliable and efficient inverse analysis using physics-informed neural networks with normalized distance functions and adaptive weight tuning [0.0]
  PINNソリューションは境界条件の処理によって制限されることが多い。 適応距離場と正規化重みを組み合わせた統合フレームワークを提案する。 このフレームワークは、PINNを用いた逆解析のための信頼性と効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-04-25T05:39:09Z)
• Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
  我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。 数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
  論文  参考訳（メタデータ） (2023-01-30T04:58:40Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Gradient Estimation for Binary Latent Variables via Gradient Variance Clipping [6.234350105794441]
  勾配推定はしばしば、離散潜在変数を持つ生成モデルに適合するために必要である。 DisARMや他の推定器は、パラメータ空間の境界付近でばらつきを爆発させる可能性がある。 パラメータ空間の境界における分散を小さくする勾配推定器 textitbitflip-1 を提案する。
  論文  参考訳（メタデータ） (2022-08-12T05:37:52Z)
• Solving PDEs on Unknown Manifolds with Machine Learning [8.220217498103315]
  本稿では,未知多様体上の楕円型PDEを解くためのメッシュフリー計算フレームワークと機械学習理論を提案する。 提案したNNソルバは,新しいデータポイント上の一般化とほぼ同一の誤差を持つ新しいデータポイント上でPDEを強固に一般化できることを示す。
  論文  参考訳（メタデータ） (2021-06-12T03:55:15Z)
• Physics-aware deep neural networks for surrogate modeling of turbulent natural convection [0.0]
  Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。 標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。 50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
  論文  参考訳（メタデータ） (2021-03-05T09:48:57Z)
• Augmented Sliced Wasserstein Distances [55.028065567756066]
  拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。 数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2020-06-15T23:00:08Z)

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。