論文の概要: Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows
- arxiv url: http://arxiv.org/abs/2512.06031v1
- Date: Thu, 04 Dec 2025 16:19:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.156971
- Title: Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows
- Title（参考訳）: 複雑流れに対する多分解能物理対応リカレント畳み込みニューラルネットワーク
- Authors: Xinlun Cheng, Joseph Choi, H. S. Udaykumar, Stephen Baek,
- Abstract要約: MRPARCv2は、対流拡散反応方程式の構造を埋め込んで複雑な流れをモデル化するように設計されている。
The Well Multi-physicsベンチマークレポジトリの2次元乱流放射層データセットを用いて,そのモデルの評価を行った。
- 参考スコア（独自算出の注目度）: 2.7233737247962786
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present MRPARCv2, Multi-resolution Physics-Aware Recurrent Convolutional Neural Network, designed to model complex flows by embedding the structure of advection-diffusion-reaction equations and leveraging a multi-resolution architecture. MRPARCv2 introduces hierarchical discretization and cross-resolution feature communication to improve the accuracy and efficiency of flow simulations. We evaluate the model on a challenging 2D turbulent radiative layer dataset from The Well multi-physics benchmark repository and demonstrate significant improvements when compared to the single resolution baseline model, in both Variance Scaled Root Mean Squared Error and physics-driven metrics, including turbulent kinetic energy spectra and mass-temperature distributions. Despite having 30% fewer trainable parameters, MRPARCv2 outperforms its predecessor by up to 50% in roll-out prediction error and 86% in spectral error. A preliminary study on uncertainty quantification was performed, and we also analyzed the model's performance under different levels of abstractions of the flow, specifically on sampling subsets of field variables. We find that the absence of physical constraints on the equation of state (EOS) in the network architecture leads to degraded accuracy. A variable substitution experiment confirms that this issue persists regardless of which physical quantity is predicted directly. Our findings highlight the advantages of multi-resolution inductive bias for capturing multi-scale flow dynamics and suggest the need for future PIML models to embed EOS knowledge to enhance physical fidelity.
- Abstract（参考訳）: MRPARCv2, MRPARCv2は, 対流拡散反応方程式の構造を埋め込み, マルチレゾリューションアーキテクチャを活用することで, 複雑な流れをモデル化する。
MRPARCv2は階層的離散化とクロスレゾリューション機能通信を導入し、フローシミュレーションの精度と効率を向上させる。
We evaluate the model on a challenge 2D turbulent radiationive layer dataset from The Well multi-physics benchmark repository and showed significant improve when the single resolution baseline model, in both Variance Scaled Root Mean Squared Error and physics-driven metrics, including turbulentetic energy spectra and mass-temperature distributions。
MRPARCv2はトレーニング可能なパラメータが30%少ないにもかかわらず、ロールアウト予測エラーが最大50%、スペクトルエラーが86%向上した。
本研究では,不確実性の定量化に関する予備的検討を行い,流れの異なる抽象化レベル,特にフィールド変数のサンプリングサブセットに基づくモデルの性能解析を行った。
ネットワークアーキテクチャにおける状態方程式(EOS)の物理的制約が欠如しているため,精度が低下することが判明した。
可変置換実験は、どの物理量が直接予測されるかに関わらず、この問題が持続することを確認する。
本研究は,マルチスケールフローのダイナミックスを捉えるための多分解能誘導バイアスの利点を浮き彫りにし,EOSの知識を組み込んで物理忠実性を高めるための将来のPIMLモデルの必要性を示唆している。
関連論文リスト
- KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。
そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。
この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
論文 参考訳（メタデータ） (2025-05-23T13:58:29Z) - KO: Kinetics-inspired Neural Optimizer with PDE Simulation Approaches [45.173398806932376]
本稿では、運動理論と偏微分方程式(PDE)シミュレーションにインスパイアされた新しい神経勾配であるKOを紹介する。
我々は、ネットワークパラメータの力学を、運動原理によって支配される粒子系の進化として再想像する。
この物理駆動のアプローチは、パラメータ凝縮の現象を緩和し、最適化中のパラメータの多様性を本質的に促進する。
論文 参考訳（メタデータ） (2025-05-20T18:00:01Z) - Physics-guided and fabrication-aware inverse design of photonic devices using diffusion models [43.51581973358462]
本稿では,拡散モデルのサンプリングプロセスに随伴勾配感度を統合する物理誘導フレームワークであるAdjointDiffusionを提案する。
提案手法は, 効率と製造性の両方において, 最先端の非線形勾配法より一貫して優れる。
論文 参考訳（メタデータ） (2025-04-23T19:54:33Z) - Hybrid machine learning models based on physical patterns to accelerate CFD simulations: a short guide on autoregressive models [3.780691701083858]
本研究では,Long Short-Term Memory (LSTM) アーキテクチャと高次特異値分解を革新的に統合し,流体力学における低次モデリング(ROM)の複雑さに対処する。
この手法は、2次元および3次元のシリンダー流(2次元および3次元)を含む数値的および実験的なデータセットで試験される。
その結果、HOSVDは、異なるエラーメトリクスを用いて証明されたように、すべてのテストシナリオでSVDより優れていることが示された。
論文 参考訳（メタデータ） (2025-04-09T10:56:03Z) - DeepFEA: Deep Learning for Prediction of Transient Finite Element Analysis Solutions [2.9784611307466187]
有限要素解析(英: Finite Element Analysis, FEA)は、物理現象をシミュレーションする強力な計算集約手法である。
機械学習の最近の進歩は、FEAを加速できるサロゲートモデルにつながっている。
この研究ギャップに触発された本研究では,ディープラーニングベースのフレームワークであるDeepFEAを提案する。
論文 参考訳（メタデータ） (2024-12-05T12:46:18Z) - Stochastic Flow Matching for Resolving Small-Scale Physics [28.25905372253442]
気象などの物理科学では、超解答の小さな詳細が大きな課題となっている。
入力を潜在基底分布に符号化し、次いでフローマッチングを行い、小規模物理を生成する。
我々は現実世界のCWA気象データセットとPDEベースのコルモゴロフ気象データセットの両方について広範な実験を行った。
論文 参考訳（メタデータ） (2024-10-17T21:09:13Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳（メタデータ） (2022-12-24T12:59:41Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z)
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。