論文の概要: A Multi-fidelity Double-Delta Wing Dataset and Empirical Scaling Laws for GNN-based Aerodynamic Field Surrogate

• arxiv url: http://arxiv.org/abs/2512.20941v1
• Date: Wed, 24 Dec 2025 04:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.679811
• Title: A Multi-fidelity Double-Delta Wing Dataset and Empirical Scaling Laws for GNN-based Aerodynamic Field Surrogate
• Title（参考訳）: GNN系空力場サロゲートの多要素二重デルタウィングデータセットと経験的スケーリング法則
• Authors: Yiren Shen, Juan J. Alonso,
• Abstract要約: 本研究では,グラフニューラルネットワークを用いた代理モデルにおけるトレーニングデータサイズと予測精度の関係について検討した。 我々は、二重デルタ翼のためのオープンソースの多要素空力データセットをリリースする。 テストエラーは、データサイズに応じて−0.6122のパワーロー指数で減少し、効率的なデータ利用を示す。
• 参考スコア（独自算出の注目度）: 0.10312968200748117
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Data-driven surrogate models are increasingly adopted to accelerate vehicle design. However, open-source multi-fidelity datasets and empirical guidelines linking dataset size to model performance remain limited. This study investigates the relationship between training data size and prediction accuracy for a graph neural network (GNN) based surrogate model for aerodynamic field prediction. We release an open-source, multi-fidelity aerodynamic dataset for double-delta wings, comprising 2448 flow snapshots across 272 geometries evaluated at angles of attack from 11 (degree) to 19 (degree) at Ma=0.3 using both Vortex Lattice Method (VLM) and Reynolds-Averaged Navier-Stokes (RANS) solvers. The geometries are generated using a nested Saltelli sampling scheme to support future dataset expansion and variance-based sensitivity analysis. Using this dataset, we conduct a preliminary empirical scaling study of the MF-VortexNet surrogate by constructing six training datasets with sizes ranging from 40 to 1280 snapshots and training models with 0.1 to 2.4 million parameters under a fixed training budget. We find that the test error decreases with data size with a power-law exponent of -0.6122, indicating efficient data utilization. Based on this scaling law, we estimate that the optimal sampling density is approximately eight samples per dimension in a d-dimensional design space. The results also suggest improved data utilization efficiency for larger surrogate models, implying a potential trade-off between dataset generation cost and model training budget.
• Abstract（参考訳）: データ駆動サロゲートモデルは、車両設計を加速するためにますます採用されている。 しかし、オープンソースのマルチファイルデータセットと、データセットサイズとモデルパフォーマンスをリンクする実証的なガイドラインは依然として限られている。 本研究では,GNNに基づく空力場予測のための代理モデルにおいて,トレーニングデータサイズと予測精度の関係について検討した。 我々は、VLM(Vortex Lattice Method)とRANS(Reynolds-Averaged Navier-Stokes)の2つの解法を用いて、Ma=0.3で11(度)から19(度)までの攻撃角度で評価された272つの測地領域にわたる2448のフロースナップショットを含む、二重デルタ翼用オープンソースの多層空力データセットを公表した。 ジオメトリはネストしたソルテリサンプリングスキームを用いて生成され、将来のデータセット拡張と分散に基づく感度解析をサポートする。 このデータセットを用いて,MF-VortexNetサロゲートの予備的スケールスタディを行い,40～1280のスナップショットと0.1～2.4万のパラメータを持つトレーニングモデルで6つのトレーニングデータセットを構築した。 テスト誤差はデータサイズとともに減少し,効率の良いデータ利用を示す-0.6122のパワーロー指数が得られた。 このスケーリング法則に基づき, D次元設計空間において, 最適サンプリング密度は1次元あたり約8サンプルと推定する。 また,より大規模なサロゲートモデルにおけるデータ利用効率の向上が示唆され,データセット生成コストとモデルトレーニング予算とのトレードオフの可能性も示唆された。

関連論文リスト

• BlendedNet++: A Large-Scale Blended Wing Body Aerodynamics Dataset and Benchmark [4.128170991070137]
  本稿では,BlendedNet++について紹介する。BlendedNet++は,BWB航空機を対象とする大規模空力データセットとベンチマークである。 データセットには12,000以上のユニークなジオメトリが含まれており、それぞれが単一の飛行条件でシミュレートされ、安定したRANS CFDに対して12,490の空気力学的結果が得られる。 このデータセットを用いて、フォワードサロゲートベンチマークを標準化し、6つのモデルファミリーのポイントワイドフィールドを予測する。 本研究では, 条件付き拡散モデルを用いて, 一定飛行条件下で, 所定のリフト・アンド・ドラグ比を達成するための逆設計課題を提案する。
  論文  参考訳（メタデータ） (2025-12-02T22:39:07Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• FoilDiff: A Hybrid Transformer Backbone for Diffusion-based Modelling of 2D Airfoil Flow Fields [1.5749416770494706]
  FoilDiffは、ハイブリッドバックボーンデノナイジングネットワークを備えた拡散ベースのサロゲートモデルである。 既存の拡散モデルよりも正確な予測とより良い校正された予測の不確実性を提供することができる。
  論文  参考訳（メタデータ） (2025-10-05T19:10:38Z)
• TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion [18.028061388104963]
  我々は,3つの重要なイノベーションを持つtextbfTGLF-SINN (Spectra-Informed Neural Network) を提案する。 我々の手法は、トレーニングデータを大幅に減らし、優れたパフォーマンスを実現する。 下流フラックスマッチングアプリケーションでは、NNサロゲートがTGLFの45倍のスピードアップを提供しながら、同等の精度を維持しています。
  論文  参考訳（メタデータ） (2025-09-07T09:36:51Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Benchmarking Convolutional Neural Network and Graph Neural Network based Surrogate Models on a Real-World Car External Aerodynamics Dataset [0.0]
  本稿では,実世界のデータセット上でのドラッグ予測のための2つの代理モデル手法の比較評価を行う。 以上の結果から,CNN法ではドラッグ数2.3の絶対誤差が,GNN法では3.8の絶対誤差が得られた。 どちらの手法も、ベースライン群間のより広範な傾向を効果的に捉えるが、ベースライン群内のより微細な変動を捉えるのに苦労する。
  論文  参考訳（メタデータ） (2025-04-09T09:04:59Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Accurate deep learning sub-grid scale models for large eddy simulations [0.0]
  大型渦流シミュレーション(LES)のために開発されたサブグリッドスケール(SGS)乱流モデルについて述べる。 彼らの開発には、物理インフォームド・ロバストで効率的なDeep Learning (DL)アルゴリズムの定式化が必要だった。 2つの摩擦レイノルズ数における正準流路流れの直接シミュレーションによるデータの明示的なフィルタリングは、訓練と試験のための正確なデータを提供した。
  論文  参考訳（メタデータ） (2023-07-19T15:30:06Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)

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。