論文の概要: PIVONet: A Physically-Informed Variational Neuro ODE Model for Efficient Advection-Diffusion Fluid Simulation

• arxiv url: http://arxiv.org/abs/2601.03397v1
• Date: Tue, 06 Jan 2026 20:18:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.067245
• Title: PIVONet: A Physically-Informed Variational Neuro ODE Model for Efficient Advection-Diffusion Fluid Simulation
• Title（参考訳）: PIVONet - 効率的な吸着拡散流体シミュレーションのための物理インフォーマルな変動型ニューロモードモデル
• Authors: Hei Shing Cheung, Qicheng Long, Zhiyue Lin,
• Abstract要約: 本稿では,Neuro-ODEsとContinuous Normalizing Flows (CNFs)を統合し,流体シミュレーションと可視化を行う統合フレームワークPIVONetを提案する。 まず、CNFパラメータによってパラメータ化された物理情報モデルを用いて、オフラインでトレーニングし、特定の流体系に対して効率的な代理シミュレータを作成できることを実証する。 第2に,観測流体軌跡の潜伏度を計測するパラメータを持つ変動モデルを導入することにより,ネットワーク出力を変動分布としてモデル化し,経路方向下界(ELBO)を最適化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present PIVONet (Physically-Informed Variational ODE Neural Network), a unified framework that integrates Neural Ordinary Differential Equations (Neuro-ODEs) with Continuous Normalizing Flows (CNFs) for stochastic fluid simulation and visualization. First, we demonstrate that a physically informed model, parameterized by CNF parameters θ, can be trained offline to yield an efficient surrogate simulator for a specific fluid system, eliminating the need to simulate the full dynamics explicitly. Second, by introducing a variational model with parameters φ that captures latent stochasticity in observed fluid trajectories, we model the network output as a variational distribution and optimize a pathwise Evidence Lower Bound (ELBO), enabling stochastic ODE integration that captures turbulence and random fluctuations in fluid motion (advection-diffusion behaviors).
• Abstract（参考訳）: 確率流体シミュレーションと可視化のために,ニューラル正規微分方程式(Neuro-ODEs)と連続正規化フロー(CNFs)を統合する統合フレームワークPIVONetを提案する。 まず、CNFパラメータ θ でパラメータ化された物理情報モデルを用いて、特定の流体系の効率的な代理シミュレータをオフラインで生成し、フルダイナミックスを明示的にシミュレートする必要をなくすことを実証する。 第2に,観測流体軌跡における潜時確率性を捉えるパラメータφを用いた変動モデルを導入することにより,ネットワーク出力を変動分布としてモデル化し,流れの乱流やランダムな変動を捉える確率的ODE積分を可能にする経路ワイドエビデンス境界(ELBO)を最適化する。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Predicting Flow Dynamics using Diffusion Models [0.0]
  DiffFluidモデルでは、拡散モデルとトランスフォーマーを組み合わせることで、流体力学を予測できることが示されている。 我々の目標は、DiffFluid論文の手法を他のシミュレーションタイプで検証しながら検証することであった。 以上の結果から,拡散モデルの適用可能性と課題が複雑流体力学問題に適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-07-10T18:47:41Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Neural Ideal Large Eddy Simulation: Modeling Turbulence with Neural Stochastic Differential Equations [22.707574194338132]
  乱流閉包モデルからの理想渦シミュレーション(LES)と大規模モデリングのためのニューラル微分方程式(SDE)の2つの強力なアイデアを同化するデータ駆動学習フレームワークを提案する。 我々は,この手法がカオス力学系において有効であることを示す: レイノルズ数20,000のコルモゴロフ流。
  論文  参考訳（メタデータ） (2023-06-01T22:16:28Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• A Denoising Diffusion Model for Fluid Field Prediction [0.0]
  本研究では,FluidDiff という非線形流体場予測のための新しい拡散生成モデルを提案する。 拡散過程を実行することにより、モデルは高次元力学系の複雑な表現を学習することができる。 ランゲヴィンサンプリングは、指定された初期条件下での流れ状態の予測を生成するために使用される。
  論文  参考訳（メタデータ） (2023-01-27T11:30:40Z)
• Cubature Kalman Filter Based Training of Hybrid Differential Equation Recurrent Neural Network Physiological Dynamic Models [13.637931956861758]
  ニューラルネットワーク近似を用いて、未知の常微分方程式を既知のODEで近似する方法を示す。 その結果、このRBSEによるNNパラメータのトレーニングは、バックプロパゲーションによるニューラルネットワークのトレーニングよりも優れた結果(測定/状態推定精度)が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-12T15:38:13Z)

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。