論文の概要: CarBench: A Comprehensive Benchmark for Neural Surrogates on High-Fidelity 3D Car Aerodynamics

• arxiv url: http://arxiv.org/abs/2512.07847v1
• Date: Tue, 25 Nov 2025 21:53:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.5116
• Title: CarBench: A Comprehensive Benchmark for Neural Surrogates on High-Fidelity 3D Car Aerodynamics
• Title（参考訳）: CarBench: 高忠実度3Dカーエアロダイナミックスにおけるニューラルネットワークサロゲートの総合ベンチマーク
• Authors: Mohamed Elrefaie, Dule Shu, Matt Klenk, Faez Ahmed,
• Abstract要約: CarBenchは、大規模な3Dカーエアロダイナミックスに特化した最初の包括的なベンチマークである。 我々は、自動車空力学のための最大の公開データセットであるDrivAerNet++の最先端モデルを評価する。 データ駆動エンジニアリングの進歩を加速するため、ベンチマークフレームワークをオープンソース化しました。
• 参考スコア（独自算出の注目度）: 5.362190317243247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Benchmarking has been the cornerstone of progress in computer vision, natural language processing, and the broader deep learning domain, driving algorithmic innovation through standardized datasets and reproducible evaluation protocols. The growing availability of large-scale Computational Fluid Dynamics (CFD) datasets has opened new opportunities for applying machine learning to aerodynamic and engineering design. Yet, despite this progress, there exists no standardized benchmark for large-scale numerical simulations in engineering design. In this work, we introduce CarBench, the first comprehensive benchmark dedicated to large-scale 3D car aerodynamics, performing a large-scale evaluation of state-of-the-art models on DrivAerNet++, the largest public dataset for automotive aerodynamics, containing over 8,000 high-fidelity car simulations. We assess eleven architectures spanning neural operator methods (e.g., Fourier Neural Operator), geometric deep learning (PointNet, RegDGCNN, PointMAE, PointTransformer), transformer-based neural solvers (Transolver, Transolver++, AB-UPT), and implicit field networks (TripNet). Beyond standard interpolation tasks, we perform cross-category experiments in which transformer-based solvers trained on a single car archetype are evaluated on unseen categories. Our analysis covers predictive accuracy, physical consistency, computational efficiency, and statistical uncertainty. To accelerate progress in data-driven engineering, we open-source the benchmark framework, including training pipelines, uncertainty estimation routines based on bootstrap resampling, and pretrained model weights, establishing the first reproducible foundation for large-scale learning from high-fidelity CFD simulations, available at https://github.com/Mohamedelrefaie/CarBench.
• Abstract（参考訳）: ベンチマークはコンピュータビジョン、自然言語処理、より広範なディープラーニングドメインの進歩の基盤となり、標準化されたデータセットと再現可能な評価プロトコルを通じてアルゴリズムの革新を推進してきた。 大規模なComputational Fluid Dynamics (CFD)データセットの可用性が向上し、空気力学とエンジニアリング設計に機械学習を適用する新たな機会が開かれた。 しかし、この進歩にもかかわらず、工学設計における大規模数値シミュレーションの標準化されたベンチマークは存在しない。 本稿では,カーベンチについて紹介する。カーベンチは大規模な3次元自動車空力学に特化した最初の総合ベンチマークであり,自動車空力学のための最大の公開データセットであるDrivAerNet++上で,8000以上の高忠実度自動車シミュレーションを含む最先端モデルの大規模評価を行う。 ニューラルネットワーク手法(例えばフーリエニューラル演算子)、幾何ディープラーニング(PointNet, RegDGCNN, PointMAE, PointTransformer)、トランスフォーマーベースニューラルネットワーク(Transolver, Transolver++, AB-UPT)、暗黙フィールドネットワーク(TripNet)の11のアーキテクチャを評価した。 通常の補間作業の他に、一台の自動車アーチタイプで訓練されたトランスフォーマーベースの解法を、目に見えないカテゴリで評価するクロスカテゴリー実験を行う。 本分析では, 予測精度, 物理的整合性, 計算効率, 統計的不確実性について検討した。 データ駆動エンジニアリングの進歩を加速するために、私たちは、トレーニングパイプライン、ブートストラップ再サンプリングに基づく不確実性推定ルーチン、事前訓練されたモデルウェイトを含むベンチマークフレームワークをオープンソース化し、https://github.com/Mohamedelrefaie/CarBenchで利用可能な、高忠実度CFDシミュレーションによる大規模学習のための最初の再現可能な基盤を確立した。

関連論文リスト

• Car Drag Coefficient Prediction from 3D Point Clouds Using a Slice-Based Surrogate Model [0.6882042556551609]
  本稿では,3次元車両形状の逐次スライスワイズ処理に基づいて,空力抵抗係数(Cd)の予測を行うための軽量サロゲートモデルを提案する。 DrivAerNet++データセットでトレーニングされ評価されたこのモデルは、Cd予測において高い判定係数(R2 > 0.9528)と低い平均絶対誤差(MAE approx 6.046 x 10-3)を達成する。
  論文  参考訳（メタデータ） (2026-01-05T13:41:20Z)
• DrivAerStar: An Industrial-Grade CFD Dataset for Vehicle Aerodynamic Optimization [17.541117004160892]
  計算コストのかかるCFD(Computational Dynamics)シミュレーションは、設計イテレーション毎に数週間生成される。 DrivAerStarは、学術機械学習の研究と産業CFDの実践をブリッジする最初のデータセットであり、自動車開発におけるデータ駆動型空力最適化の新しい標準を確立している。 自動車アプリケーション以外にも、DriivAerStarは、高忠実度物理シミュレーションをAI(Artificial Intelligence)と統合するためのパラダイムをデモしている。
  論文  参考訳（メタデータ） (2025-10-19T14:42:32Z)
• DrivAer Transformer: A high-precision and fast prediction method for vehicle aerodynamic drag coefficient based on the DrivAerNet++ dataset [1.184330339427731]
  本研究では、DrivAer Transformerと呼ばれるポイントクラウド学習フレームワークを提案する。 DAT構造はDrivAerNet++データセットを使用しており、産業標準の3D車両形状の高忠実なCFDデータを含んでいる。 この枠組みは車両設計プロセスの加速と開発効率の向上が期待されている。
  論文  参考訳（メタデータ） (2025-04-11T02:50:38Z)
• 3D Neural Operator-Based Flow Surrogates around 3D geometries: Signed Distance Functions and Derivative Constraints [3.100300350494905]
  高忠実度3次元流れシミュレーションの計算コストは依然として大きな課題である。 我々は、符号付き距離関数(SDF)を介して幾何学情報を組み込んだ変種であるDeepONet(DeepONet)とGeometric-DeepONet(Geometric-DeepONet)を評価する。 その結果,Geometric-DeepONetは標準のDeepONetに比べて境界層精度を最大32%向上することがわかった。
  論文  参考訳（メタデータ） (2025-03-21T16:40:48Z)
• DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks [25.00264553520033]
  DrivAerNet++は、高忠実度計算流体力学(CFD)シミュレーションをモデルとした8000の多種多様な自動車設計で構成されている。 データセットには、ファストバック、ノッチバック、エステートバックといった多様な車種が含まれており、内燃機関と電気自動車の両方を表す車体と車輪のデザインが異なる。 このデータセットは、データ駆動設計最適化、生成モデリング、代理モデルトレーニング、CFDシミュレーションアクセラレーション、幾何学的分類を含む幅広い機械学習アプリケーションをサポートしている。
  論文  参考訳（メタデータ） (2024-06-13T23:19:48Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。