論文の概要: DeepONet-accelerated Bayesian inversion for moving boundary problems

• arxiv url: http://arxiv.org/abs/2512.20268v1
• Date: Tue, 23 Dec 2025 11:22:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.843242
• Title: DeepONet-accelerated Bayesian inversion for moving boundary problems
• Title（参考訳）: 移動境界問題に対するDeepONet加速ベイズインバージョン
• Authors: Marco A. Iglesias, Michael. E. Causon, Mikhail Y. Matveev, Andreas Endruweit, Michael . V. Tretyakov,
• Abstract要約: この研究は、ニューラルネットワークの学習が、移動境界系の高速で正確なエミュレータを構築するための強力で柔軟なフレームワークを提供することを示した。 Deep Operator Network (DeepONet) アーキテクチャを用いて, 多孔質媒質中における単相ダーシー流における境界問題移動のための効率的なサロゲートモデルを構築した。 樹脂転写成形法(RTM)プロセスを用いて製造した複合材料に対する繊維補強材の透過性とポーシティを推定することにより, インバージョンフレームワークを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work demonstrates that neural operator learning provides a powerful and flexible framework for building fast, accurate emulators of moving boundary systems, enabling their integration into digital twin platforms. To this end, a Deep Operator Network (DeepONet) architecture is employed to construct an efficient surrogate model for moving boundary problems in single-phase Darcy flow through porous media. The surrogate enables rapid and accurate approximation of complex flow dynamics and is coupled with an Ensemble Kalman Inversion (EKI) algorithm to solve Bayesian inverse problems. The proposed inversion framework is demonstrated by estimating the permeability and porosity of fibre reinforcements for composite materials manufactured via the Resin Transfer Moulding (RTM) process. Using both synthetic and experimental in-process data, the DeepONet surrogate accelerates inversion by several orders of magnitude compared with full-model EKI. This computational efficiency enables real-time, accurate, high-resolution estimation of local variations in permeability, porosity, and other parameters, thereby supporting effective monitoring and control of RTM processes, as well as other applications involving moving boundary flows. Unlike prior approaches for RTM inversion that learn mesh-dependent mappings, the proposed neural operator generalises across spatial and temporal domains, enabling evaluation at arbitrary sensor configurations without retraining, and represents a significant step toward practical industrial deployment of digital twins.
• Abstract（参考訳）: この研究は、ニューラルネットワーク学習が、移動境界システムの高速で正確なエミュレータを構築するための強力で柔軟なフレームワークを提供し、デジタルツインプラットフォームへの統合を可能にすることを実証している。 この目的のためにディープ・オペレーター・ネットワーク (DeepONet) アーキテクチャを用いて, 多孔質媒質を通した単相ダーシー流における境界問題移動のための効率的なサロゲートモデルを構築した。 このサロゲートは複雑なフローダイナミクスの迅速かつ正確な近似を可能にし、EKI(Ensemble Kalman Inversion)アルゴリズムと結合してベイズ逆問題を解決する。 樹脂転写成形法(RTM)プロセスを用いて製造した複合材料に対する繊維補強材の透過性とポーシティを推定することにより, インバージョンフレームワークを実証した。 合成データと実験データの両方を用いて、DeepONetサロゲートはフルモデルEKIと比較して数桁のインバージョンを高速化する。 この計算効率は, 透過性, ポロシティ, その他のパラメータの局所的変動のリアルタイム, 高精度, 高分解能な推定を可能にする。 メッシュ依存マッピングを学習するRTMインバージョンに対する従来のアプローチとは異なり、提案するニューラルオペレータは、空間的および時間的領域をまたいで一般化し、再トレーニングなしで任意のセンサー構成の評価を可能にし、デジタルツインの実用的産業展開に向けた重要なステップを示す。

関連論文リスト

• SA-EMO: Structure-Aligned Encoder Mixture of Operators for Generalizable Full-waveform Inversion [0.0]
  フルウェーブフォーム・インバージョンは高分解能モデルを生成することができるが、本質的に不適切であり、非常に非線形であり、計算集約的である。 本研究では,未知の地下構造下での速度場反転のためのSA-EMOアーキテクチャを提案する。 SA-EMOは従来のCNNやシングルオペレーター法よりも大幅に優れており、平均で58.443%、境界分解能が10.308%向上している。
  論文  参考訳（メタデータ） (2025-11-07T14:03:43Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• AMR-Transformer: Enabling Efficient Long-range Interaction for Complex Neural Fluid Simulation [33.63726923336252]
  本稿では,AMR-Transformerを提案する。 これは、Navier-Stokes制約を意識した高速刈取モジュールと、新しい適応メッシュリファインメントスキームを統合している。 提案手法は,ベースラインモデルよりも精度が向上する。
  論文  参考訳（メタデータ） (2025-03-13T11:16:42Z)
• Amortized Bayesian Workflow [13.070972788633915]
  金標準MCMC技術と高速な償却推論を統合した適応ワークフローを提案する。 提案手法では,各データセットに対する推論手法の選択を導出するために,原則付き診断を用いる。 我々は、この統合されたアプローチが、数万のデータセットを持ついくつかの合成および実世界の問題に対して有効であることを示す。
  論文  参考訳（メタデータ） (2024-09-06T15:09:04Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Motion-Aware Video Frame Interpolation [49.49668436390514]
  我々は、連続するフレームから中間光の流れを直接推定する動き対応ビデオフレーム補間(MA-VFI)ネットワークを導入する。 受容場が異なる入力フレームからグローバルな意味関係と空間的詳細を抽出するだけでなく、必要な計算コストと複雑さを効果的に削減する。
  論文  参考訳（メタデータ） (2024-02-05T11:00:14Z)
• Unsupervised Cross-Domain Soft Sensor Modelling via Deep Physics-Inspired Particle Flow Bayes [3.2307729081989334]
  クロスドメイン・ソフト・センサ・モデリングのためのディープ・パーティクル・フロー・ベイズ・フレームワークを提案する。 特に、まずシーケンシャルベイズ目標を定式化し、最大推定を行う。 複雑な産業用多相流プロセスシステムにおけるフレームワークの有効性を検証した。
  論文  参考訳（メタデータ） (2023-06-08T03:43:32Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)

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。