論文の概要: LAViG-FLOW: Latent Autoregressive Video Generation for Fluid Flow Simulations

• arxiv url: http://arxiv.org/abs/2601.13190v1
• Date: Mon, 19 Jan 2026 16:12:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.966001
• Title: LAViG-FLOW: Latent Autoregressive Video Generation for Fluid Flow Simulations
• Title（参考訳）: LAViG-FLOW:流動シミュレーションのための遅延自己回帰ビデオ生成
• Authors: Vittoria De Pellegrini, Tariq Alkhalifah,
• Abstract要約: LAViG-FLOWは、遅延自己回帰ビデオ生成拡散フレームワークである。 飽和と圧力場の複合進化を明示的に学習する。 従来の数値解法よりも桁違いに速く動作する。
• 参考スコア（独自算出の注目度）: 3.2800968305157205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling and forecasting subsurface multiphase fluid flow fields underpin applications ranging from geological CO2 sequestration (GCS) operations to geothermal production. This is essential for ensuring both operational performance and long-term safety. While high fidelity multiphase simulators are widely used for this purpose, they become prohibitively expensive once many forward runs are required for inversion purposes and quantify uncertainty. To tackle this challenge we propose LAViG-FLOW, a latent autoregressive video generation diffusion framework that explicitly learns the coupled evolution of saturation and pressure fields. Each state variable is compressed by a dedicated 2D autoencoder, and a Video Diffusion Transformer (VDiT) models their coupled distribution across time. We first train the model on a given time horizon to learn their coupled relationship and then fine-tune it autoregressively so it can extrapolate beyond the observed time window. Evaluated on an open-source CO2 sequestration dataset, LAViG-FLOW generates saturation and pressure fields that stay consistent across time while running orders of magnitude faster than traditional numerical solvers.
• Abstract（参考訳）: 地下多相流体流れ場のモデル化と予測は, 地質学的CO2隔離(GCS)から地熱生産まで, 様々な応用を支えている。 これは、運用パフォーマンスと長期的な安全性の両立に不可欠である。 この目的のために高忠実度多相シミュレータが広く使われているが、反転目的や不確実性を定量化するために多くの前方走行が必要な場合、これらは違法に高価になる。 この課題に対処するために、飽和場と圧力場の複合的な進化を明示的に学習する潜在自己回帰型ビデオ生成拡散フレームワークであるLAViG-FLOWを提案する。 各状態変数は専用の2Dオートエンコーダで圧縮され、ビデオ拡散変換器(VDiT)は時間にわたって結合した分布をモデル化する。 まず、与えられた時間軸でモデルをトレーニングし、それらの結合関係を学習し、その後自動的に微調整し、観測された時間窓を越えて外挿できるようにします。 オープンソースのCO2シークエンスデータセットに基づいて評価されたLAViG-FLOWは、従来の数値解法よりも桁違いに高速に実行しながら、時間を通して一貫性のある飽和と圧力場を生成する。

関連論文リスト

• Transition Matching Distillation for Fast Video Generation [63.1049790376783]
  本稿では,ビデオ拡散モデルを効率の良い数ステップ生成器に蒸留するための新しいフレームワークであるTransition Matching Distillation (TMD)を提案する。 TMDは拡散モデルの多段階認知軌道と数段階の確率遷移過程とを一致させる。 TMDは、生成速度と視覚的品質の間の柔軟性と強力なトレードオフを提供する。
  論文  参考訳（メタデータ） (2026-01-14T21:30:03Z)
• DB2-TransF: All You Need Is Learnable Daubechies Wavelets for Time Series Forecasting [3.9332514832297676]
  DB2-TransFはトランスフォーマーにインスパイアされたアーキテクチャで、自己保持機構を学習可能なDubechiesウェーブレット係数層に置き換える。 13の標準予測ベンチマークの実験では、DB2-TransFは従来のトランスフォーマーと同等または優れた予測精度を達成している。
  論文  参考訳（メタデータ） (2025-12-10T20:15:22Z)
• DeepCoT: Deep Continual Transformers for Real-Time Inference on Data Streams [63.27233749591346]
  トランスフォーマーベースのモデルは、ますます複雑なタスクに取り組むために、そのサイズとパラメータ数を劇的に増加させてきた。 ストリームデータ推論は通常、スライディング時間ウィンドウ上で実行され、非常に冗長な計算に繋がる。 提案するDeep Continual Transformer(DeepCoT)は冗長性のないエンコーダのみのモデルであり,最小限の変更で既存のディープエンコーダアーキテクチャに適用できる。
  論文  参考訳（メタデータ） (2025-11-21T16:15:43Z)
• Less Is More: Generating Time Series with LLaMA-Style Autoregression in Simple Factorized Latent Spaces [29.349850914912846]
  離散化された量子化潜在空間上の自己回帰変換器と不整合分解を結合して時系列を生成する,シンプルで効果的なフレームワークであるFAR-TSを提案する。 LLaMAスタイルの自己回帰変換器はこれらのトークンシーケンスをモデル化し、任意の長さで高速かつ制御可能なシーケンスの生成を可能にする。
  論文  参考訳（メタデータ） (2025-11-07T04:15:38Z)
• Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency [60.74505433956616]
  連続時間一貫性モデル(sCM)は理論的に原理化され、学術規模の拡散を加速するために実証的に強力である。 まず並列性互換なFlashAttention-2 JVPカーネルを開発し、100億以上のパラメータと高次元ビデオタスクを持つモデル上でsCMトレーニングを可能にする。 本稿では, スコア蒸留を長軸正則化器として組み込んだスコア規則化連続時間一貫性モデル(rCM)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T16:45:30Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network [2.2101344151283944]
  現在の数値モデルは、しばしば実験で観測された複雑な細孔スケールの物理学を正確に捉えることができない。 我々は,マイクロCT実験データを用いて,グラフニューラルネットワークを用いた多孔質流体の流れを直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T15:01:17Z)
• Accelerating Phase Field Simulations Through a Hybrid Adaptive Fourier Neural Operator with U-Net Backbone [0.7329200485567827]
  ニューラル演算子学習の最近の進歩にインスパイアされた機械学習(ML)モデルであるU-AFNO(Adaptive Fourier Neural Operators)を提案する。 U-AFNOを使って、現在の時間ステップでフィールドを後の時間ステップにマッピングするダイナミクスを学習します。 高忠実度数値解法と同等の精度で重要なミクロ構造統計とQoIを再現する。
  論文  参考訳（メタデータ） (2024-06-24T20:13:23Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。