論文の概要: A Discrete Neural Operator with Adaptive Sampling for Surrogate Modeling of Parametric Transient Darcy Flows in Porous Media

• arxiv url: http://arxiv.org/abs/2512.03113v1
• Date: Tue, 02 Dec 2025 09:32:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:05:32.326388
• Title: A Discrete Neural Operator with Adaptive Sampling for Surrogate Modeling of Parametric Transient Darcy Flows in Porous Media
• Title（参考訳）: 多孔質媒質中におけるパラメトリック過渡潮流のサーロゲートモデリングのための適応サンプリング付き離散型ニューラル演算子
• Authors: Zhenglong Chen, Zhao Zhang, Xia Yan, Jiayu Zhai, Piyang Liu, Kai Zhang,
• Abstract要約: 異種多孔質媒質中における過渡流場の代理モデリングのための新しい離散ニューラル演算子を提案する。 新しい手法は、時間符号化、演算子学習、UNetを統合し、ランダムパラメータのベクトル空間と流れ場の行列を近似する。 その結果、限られたトレーニングセットが与えられた場合、予測精度が一貫した向上を示す。
• 参考スコア（独自算出の注目度）: 9.213861489570586
• License:
• Abstract: This study proposes a new discrete neural operator for surrogate modeling of transient Darcy flow fields in heterogeneous porous media with random parameters. The new method integrates temporal encoding, operator learning and UNet to approximate the mapping between vector spaces of random parameter and spatiotemporal flow fields. The new discrete neural operator can achieve higher prediction accuracy than the SOTA attention-residual-UNet structure. Derived from the finite volume method, the transmissibility matrices rather than permeability is adopted as the inputs of surrogates to enhance the prediction accuracy further. To increase sampling efficiency, a generative latent space adaptive sampling method is developed employing the Gaussian mixture model for density estimation of generalization error. Validation is conducted on test cases of 2D/3D single- and two-phase Darcy flow field prediction. Results reveal consistent enhancement in prediction accuracy given limited training set.
• Abstract（参考訳）: 本研究では,不均一多孔質媒質中における一過性ダーシー流れ場のシュロゲートモデリングのための新しい離散ニューラル演算子を提案する。 新しい手法は,時間符号化,演算子学習,UNetを統合し,確率パラメータのベクトル空間と時空間の時空間のマッピングを近似する。 新しい離散ニューラル演算子は、SOTAアテンション残差UNet構造よりも高い予測精度を達成することができる。 有限体積法から導かれたサロゲートの入力として透過性よりも透過性行列を採用し、予測精度をさらに高める。 サンプリング効率を向上させるため,一般化誤差の密度推定にガウス混合モデルを用いて生成潜時空間適応サンプリング法を開発した。 2D/3D単相および2相ダーシー流場予測の試験例について検証を行った。 その結果、限られたトレーニングセットが与えられた場合、予測精度が一貫した向上を示す。

関連論文リスト

• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification [0.0]
  我々はモンテカルロの投棄を統合し、高速で微分可能な線量予測を提供するニューラルネットワークサロゲートを開発した。 この手法は不確実性情報を保持しつつ,MC上での大幅な高速化を実現する。 プロトン療法におけるロバストな計画、適応的計画、不確実性を考慮した最適化への統合に適している。
  論文  参考訳（メタデータ） (2025-09-16T19:54:49Z)
• Adaptive Sampling to Reduce Epistemic Uncertainty Using Prediction Interval-Generation Neural Networks [0.0]
  本稿では,予測モデルにおけるてんかんの不確実性を低減するための適応サンプリング手法を提案する。 我々の主な貢献は、潜在的なてんかんの不確実性を推定する計量の開発である。 ガウス過程(GP)に基づくバッチサンプリング戦略も提案する。 本研究では, 実験肥料の施肥率を選択するために, 3つの一次元合成問題と, 農業分野に基づく多次元データセットについて検討した。
  論文  参考訳（メタデータ） (2024-12-13T21:21:47Z)
• Characteristic Learning for Provable One Step Generation [12.620728925515012]
  本稿では,GAN(Generative Adversarial Networks)におけるサンプリング効率とフローベースモデルの安定した性能を組み合わせた一段階生成モデルを提案する。 我々のモデルは、確率密度輸送を通常の微分方程式(ODE)で記述できる特性によって駆動される。 深層ニューラルネットワークはこれらの特徴に適合するように訓練され、単純なガウス分布を目標分布にプッシュするワンステップマップを生成する。
  論文  参考訳（メタデータ） (2024-05-09T02:41:42Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
  線形化されたラプラス近似に下界を導入する。 これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
  論文  参考訳（メタデータ） (2023-06-06T19:02:57Z)
• Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
  二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。 そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。 勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
  論文  参考訳（メタデータ） (2020-06-04T21:51:21Z)

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。