論文の概要: Feature-Modulated UFNO for Improved Prediction of Multiphase Flow in Porous Media
- arxiv url: http://arxiv.org/abs/2511.20543v1
- Date: Tue, 25 Nov 2025 17:44:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.585022
- Title: Feature-Modulated UFNO for Improved Prediction of Multiphase Flow in Porous Media
- Title（参考訳）: 多孔質媒質中における多相流予測のための特徴変調UFNO
- Authors: Alhasan Abdellatif, Hannah P. Menke, Ahmed H. Elsheikh, Florian Doster, Kamaljit Singh,
- Abstract要約: 2つの重要なイノベーションを取り入れた拡張アーキテクチャであるUFNO-FiLMを紹介する。
まず,特徴量線形変調層を用いて空間特徴からスカラー入力を分離する。
第二に、臨界領域における学習を優先する空間重み付き損失関数を用いる。
- 参考スコア（独自算出の注目度）: 0.39146761527401425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The UNet-enhanced Fourier Neural Operator (UFNO) extends the Fourier Neural Operator (FNO) by incorporating a parallel UNet pathway, enabling the retention of both high- and low-frequency components. While UFNO improves predictive accuracy over FNO, it inefficiently treats scalar inputs (e.g., temperature, injection rate) as spatially distributed fields by duplicating their values across the domain. This forces the model to process redundant constant signals within the frequency domain. Additionally, its standard loss function does not account for spatial variations in error sensitivity, limiting performance in regions of high physical importance. We introduce UFNO-FiLM, an enhanced architecture that incorporates two key innovations. First, we decouple scalar inputs from spatial features using a Feature-wise Linear Modulation (FiLM) layer, allowing the model to modulate spatial feature maps without introducing constant signals into the Fourier transform. Second, we employ a spatially weighted loss function that prioritizes learning in critical regions. Our experiments on subsurface multiphase flow demonstrate a 21\% reduction in gas saturation Mean Absolute Error (MAE) compared to UFNO, highlighting the effectiveness of our approach in improving predictive accuracy.
- Abstract（参考訳）: UNet-enhanced Fourier Neural Operator (UFNO)は、並列UNet経路を組み込むことで、高周波数と低周波数の両方のコンポーネントの保持を可能にする。
UFNOはFNOよりも予測精度を向上するが、スカラー入力(例えば温度、注入率)を領域をまたいだ値の重複により空間分布場として非効率に扱う。
これにより、モデルは周波数領域内で冗長な定数信号を処理せざるを得ない。
さらに、その標準損失関数は誤差感度の空間的変動を考慮せず、高い物理的重要性を持つ領域における性能を制限している。
2つの重要なイノベーションを取り入れた拡張アーキテクチャであるUFNO-FiLMを紹介する。
まず、特徴量線形変調(FiLM)層を用いて空間特徴量からスカラー入力を分離し、フーリエ変換に定信号を導入することなく空間特徴量マップを変調する。
第二に、臨界領域における学習を優先する空間重み付き損失関数を用いる。
地下多相流実験では,UFNOと比較してガス飽和平均絶対誤差(MAE)が21倍に減少し,予測精度の向上に向けたアプローチの有効性が示された。
関連論文リスト
- SAOT: An Enhanced Locality-Aware Spectral Transformer for Solving PDEs [8.678387342998613]
本稿では,ウェーブレット変換の空間周波数局在特性をトランスフォーマーアーキテクチャに取り入れることを検討した。
本稿では,局所性を考慮した特徴を効率的に学習するための線形計算複雑性を持つ新しいWavelet Attention (WA) モジュールを提案する。
我々はさらに、WAの局所的な焦点をフーリエベースのアテンションのグローバルな受容領域と統合するハイブリッドスペクトル変換器であるスペクトル注意演算子トランスフォーマー(SAOT)を開発した。
論文 参考訳（メタデータ） (2025-11-24T05:22:28Z) - Physics-informed waveform inversion using pretrained wavefield neural operators [9.048550821334116]
フルウェーブフォームインバージョン(FWI)は高分解能地下モデルの再構築に不可欠である。
学習波動場ニューラル演算子を用いてFWIを加速する最近の試みは、効率と微分可能性の有望性を示している。
ニューラル演算子に基づくFWIの効率を維持しつつ、精度の反転を高める新しい物理インフォームドFWIフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-10T19:57:18Z) - Enhancing Fourier Neural Operators with Local Spatial Features [16.887523262913234]
入力データから直接局所空間特徴(LSF)をキャプチャする畳み込みニューラルネットワーク(CNN)ベースの特徴事前抽出器を導入する。
以上の結果から,FNOの表現能力を高めることが示唆された。
論文 参考訳（メタデータ） (2025-03-22T15:11:56Z) - Incremental Spatial and Spectral Learning of Neural Operators for
Solving Large-Scale PDEs [86.35471039808023]
Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。
iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。
提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
論文 参考訳（メタデータ） (2022-11-28T09:57:15Z) - 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) - FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。
3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
論文 参考訳（メタデータ） (2022-03-24T07:26:29Z) - Factorized Fourier Neural Operators [77.47313102926017]
Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。
我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
論文 参考訳（メタデータ） (2021-11-27T03:34:13Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z)
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。