論文の概要: A Surrogate-Augmented Symbolic CFD-Driven Training Framework for Accelerating Multi-objective Physical Model Development

• arxiv url: http://arxiv.org/abs/2512.19031v1
• Date: Mon, 22 Dec 2025 05:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.624635
• Title: A Surrogate-Augmented Symbolic CFD-Driven Training Framework for Accelerating Multi-objective Physical Model Development
• Title（参考訳）: 多目的物理モデル開発を加速するための代理強化型記号型CFD駆動学習フレームワーク
• Authors: Yuan Fang, Fabian Waschkowski, Maximilian Reissmann, Richard D. Sandberg, Takuo Oda, Koichi Tanimoto,
• Abstract要約: 本稿では,代理モデルと記号CFD駆動型トレーニングをリアルタイムに統合し,トレーニングコストを削減できる拡張フレームワークを提案する。 提案手法は, 統計的に1次元および2次元の流路にまたがって提案される。 いずれの場合も、このフレームワークはCFD駆動のアプローチと同等の予測精度を維持しながら、トレーニングコストを大幅に削減する。
• 参考スコア（独自算出の注目度）: 12.349699279273791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational Fluid Dynamics (CFD)-driven training combines machine learning (ML) with CFD solvers to develop physically consistent closure models with improved predictive accuracy. In the original framework, each ML-generated candidate model is embedded in a CFD solver and evaluated against reference data, requiring hundreds to thousands of high-fidelity simulations and resulting in prohibitive computational cost for complex flows. To overcome this limitation, we propose an extended framework that integrates surrogate modeling into symbolic CFD-driven training in real time to reduce training cost. The surrogate model learns to approximate the errors of ML-generated models based on previous CFD evaluations and is continuously refined during training. Newly generated models are first assessed using the surrogate, and only those predicted to yield small errors or high uncertainty are subsequently evaluated with full CFD simulations. Discrete expressions generated by symbolic regression are mapped into a continuous space using averaged input-symbol values as inputs to a probabilistic surrogate model. To support multi-objective model training, particularly when fixed weighting of competing quantities is challenging, the surrogate is extended to a multi-output formulation by generalizing the kernel to a matrix form, providing one mean and variance prediction per training objective. Selection metrics based on these probabilistic outputs are used to identify an optimal training setup. The proposed surrogate-augmented CFD-driven training framework is demonstrated across a range of statistically one- and two-dimensional flows, including both single- and multi-expression model optimization. In all cases, the framework substantially reduces training cost while maintaining predictive accuracy comparable to that of the original CFD-driven approach.
• Abstract（参考訳）: CFD(Computational Fluid Dynamics)によるトレーニングでは、機械学習(ML)とCFDソルバを組み合わせて、予測精度を改善した物理的に一貫したクロージャモデルを開発する。 元のフレームワークでは、各ML生成候補モデルをCFDソルバに埋め込み、参照データに対して評価し、数百から数千の高忠実度シミュレーションを必要とし、複雑なフローに対する計算コストを禁ずる。 この制限を克服するため,SurrogateモデリングをシンボルCFD駆動トレーニングにリアルタイムに統合し,トレーニングコストを削減できる拡張フレームワークを提案する。 代理モデルは、従来のCFD評価に基づいてML生成モデルの誤差を近似することを学び、トレーニング中に継続的に洗練される。 新たに生成されたモデルは、まずサロゲートを用いて評価され、その後、完全なCFDシミュレーションによって、小さなエラーや高い不確実性をもたらすと予測されたモデルのみが評価される。 シンボル回帰によって生成された離散表現は、確率的代理モデルへの入力として平均入力シンボル値を用いて連続空間にマッピングされる。 多目的モデルトレーニングを支援するため、特に競合量の固定重み付けが困難な場合には、カーネルを行列形式に一般化することにより、サロゲートをマルチ出力定式化に拡張し、トレーニング目標あたりの平均と分散予測を1つ提供する。 これらの確率的出力に基づく選択メトリクスは、最適なトレーニング設定を特定するために使用される。 提案するシュロゲート強化CFD駆動トレーニングフレームワークは,1次元および2次元の統計的フローにまたがって実演される。 いずれの場合も、このフレームワークはCFD駆動のアプローチと同等の予測精度を維持しながら、トレーニングコストを大幅に削減する。

関連論文リスト

• Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
  ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。 本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
  論文  参考訳（メタデータ） (2025-06-01T20:32:27Z)
• An Adaptive Framework for Autoregressive Forecasting in CFD Using Hybrid Modal Decomposition and Deep Learning [3.1337872355726084]
  この研究は著者の知識を最大限に活用するために、ディープラーニング(DL)自己回帰予測モデルを長期間の地平線上で安定化させるために設計された、最初の一般化可能で完全なデータ駆動適応フレームワークを提示する。 提案手法は, (i) 訓練されたDLモデルを用いて, 選択した時間間隔で流れ場の進化を予測し, (ii) 安定度が低下した場合に新たに生成されたCFDデータを用いてモデルを更新することにより, 正確な長期予測を行う。 この枠組みは, 層流から乱流まで, より複雑化する3つの流路にまたがって検証され, 30%から95パーセントの範囲で実証された。
  論文  参考訳（メタデータ） (2025-05-02T18:33:41Z)
• Accelerating Transient CFD through Machine Learning-Based Flow Initialization [0.9754425335596745]
  より正確な初期フィールドを提供することで、過渡解のコスト削減を目的とした機械学習に基づく初期化手法を提案する。 従来の均一および潜在的フローベース初期化と比較して,コンバージェンス時間の50%削減を示す。
  論文  参考訳（メタデータ） (2025-03-20T00:51:59Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
  そこで本研究では,リトレーニングを繰り返して安定なモデル列を見つけるためのモデルに依存しないフレームワークを提案する。 最適モデルの復元が保証される混合整数最適化の定式化を開発する。 平均的に、予測力の2%の低下は、安定性の30%の改善につながることが判明した。
  論文  参考訳（メタデータ） (2024-03-28T22:45:38Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Multi-GPU Approach for Training of Graph ML Models on large CFD Meshes [0.0]
  メッシュベースの数値解法は多くのデザインツールチェーンにおいて重要な部分である。 機械学習に基づく代理モデルは近似解を予測するのに速いが、精度に欠けることが多い。 本稿では、グラフベース機械学習の領域から産業関連メッシュサイズまで、最先端のサロゲートモデルをスケールする。
  論文  参考訳（メタデータ） (2023-07-25T15:49:25Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• Variational Inference with NoFAS: Normalizing Flow with Adaptive Surrogate for Computationally Expensive Models [7.217783736464403]
  マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。 変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。 本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
  論文  参考訳（メタデータ） (2021-08-28T14:31:45Z)

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。