論文の概要: HGATSolver: A Heterogeneous Graph Attention Solver for Fluid-Structure Interaction

• arxiv url: http://arxiv.org/abs/2601.09251v1
• Date: Wed, 14 Jan 2026 07:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.315484
• Title: HGATSolver: A Heterogeneous Graph Attention Solver for Fluid-Structure Interaction
• Title（参考訳）: HGATSolver: 流体構造相互作用のための不均一グラフ注意解法
• Authors: Qin-Yi Zhang, Hong Wang, Siyao Liu, Haichuan Lin, Linying Cao, Xiao-Hu Zhou, Chen Chen, Shuangyi Wang, Zeng-Guang Hou,
• Abstract要約: 流体-構造相互作用(FSI)システムは、異なる物理領域、流体と固体を含み、異なる偏微分方程式によって制御され、動的界面で結合される。 学習に基づく解法はコストのかかる数値シミュレーションに代わる有望な代替手段を提供するが、既存の手法は統合されたフレームワーク内でのFSIの不均一なダイナミクスを捉えるのに苦労している。 この課題は、インターフェイス結合によるドメイン間の応答の不整合と、流体と固体領域間の学習困難の相違によりさらに悪化し、予測中に不安定になる。
• 参考スコア（独自算出の注目度）: 13.302003830989221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fluid-structure interaction (FSI) systems involve distinct physical domains, fluid and solid, governed by different partial differential equations and coupled at a dynamic interface. While learning-based solvers offer a promising alternative to costly numerical simulations, existing methods struggle to capture the heterogeneous dynamics of FSI within a unified framework. This challenge is further exacerbated by inconsistencies in response across domains due to interface coupling and by disparities in learning difficulty across fluid and solid regions, leading to instability during prediction. To address these challenges, we propose the Heterogeneous Graph Attention Solver (HGATSolver). HGATSolver encodes the system as a heterogeneous graph, embedding physical structure directly into the model via distinct node and edge types for fluid, solid, and interface regions. This enables specialized message-passing mechanisms tailored to each physical domain. To stabilize explicit time stepping, we introduce a novel physics-conditioned gating mechanism that serves as a learnable, adaptive relaxation factor. Furthermore, an Inter-domain Gradient-Balancing Loss dynamically balances the optimization objectives across domains based on predictive uncertainty. Extensive experiments on two constructed FSI benchmarks and a public dataset demonstrate that HGATSolver achieves state-of-the-art performance, establishing an effective framework for surrogate modeling of coupled multi-physics systems.
• Abstract（参考訳）: 流体-構造相互作用(FSI)システムは、異なる物理領域、流体と固体を含み、異なる偏微分方程式によって制御され、動的界面で結合される。 学習に基づく解法はコストのかかる数値シミュレーションに代わる有望な代替手段を提供するが、既存の手法は統合されたフレームワーク内でのFSIの不均一なダイナミクスを捉えるのに苦労している。 この課題は、インターフェイス結合によるドメイン間の応答の不整合と、流体と固体領域間の学習困難の相違によりさらに悪化し、予測中に不安定になる。 これらの課題に対処するため,HGATSolver(Heterogeneous Graph Attention Solver)を提案する。 HGATSolverは、このシステムを異種グラフとしてエンコードし、流体、固体、界面領域の異なるノードとエッジタイプを介して、物理構造を直接モデルに埋め込む。 これにより、物理ドメインごとに調整された特殊なメッセージパッシング機構が実現される。 そこで本研究では,学習可能で適応的な緩和因子として機能する物理条件付きゲーティング機構を導入する。 さらに、ドメイン間グラディエント・バランシング損失は、予測の不確実性に基づいて、ドメイン間で最適化目標を動的にバランスさせる。 2つの構築されたFSIベンチマークと公開データセットに関する大規模な実験により、HGATSolverは最先端のパフォーマンスを実現し、結合された多物理系のサロゲートモデリングのための効果的なフレームワークを確立した。

関連論文リスト

• Graph Neural Regularizers for PDE Inverse Problems [62.49743146797144]
  本稿では,偏微分方程式(PDE)によって支配される多種多様な不測の逆問題を解くための枠組みを提案する。 有限要素法(FEM)を用いて前方問題の数値解法 我々は、物理に着想を得たグラフニューラルネットワークを学習正規化器として採用し、標準アプローチの頑健で解釈可能な、一般化可能な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-10-23T21:43:25Z)
• Learning Fluid-Structure Interaction Dynamics with Physics-Informed Neural Networks and Immersed Boundary Methods [0.39146761527401425]
  物理インフォームドニューラルネットワーク(PINN)は、複雑な流体力学問題を解決するための有望なアプローチとして登場した。 この研究は流体構造相互作用(FSI)問題と移動境界のモデル化という課題に対処する。 我々は,没入境界法(IBM)の原則を取り入れたイノベーティブなEulerian-Lagrangian PINNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-24T07:07:53Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。