論文の概要: LLM4Fluid: Large Language Models as Generalizable Neural Solvers for Fluid Dynamics
- arxiv url: http://arxiv.org/abs/2601.21681v1
- Date: Thu, 29 Jan 2026 13:14:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.838459
- Title: LLM4Fluid: Large Language Models as Generalizable Neural Solvers for Fluid Dynamics
- Title（参考訳）: LLM4Fluid:流体力学の一般化可能なニューラルソルバーとしての大規模言語モデル
- Authors: Qisong Xiao, Xinhai Chen, Qinglin Wang, Xiaowei Guo, Binglin Wang, Weifeng Chen, Zhichao Wang, Yunfei Liu, Rui Xia, Hang Zou, Gencheng Liu, Shuai Li, Jie Liu,
- Abstract要約: 深部時間学習は流体力学をモデル化するための有望なパラダイムとして登場した。
本稿では,Large Language Models (LLM) を流体力学の一般ニューラルソルバとして活用するフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 33.520440710387724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has emerged as a promising paradigm for spatio-temporal modeling of fluid dynamics. However, existing approaches often suffer from limited generalization to unseen flow conditions and typically require retraining when applied to new scenarios. In this paper, we present LLM4Fluid, a spatio-temporal prediction framework that leverages Large Language Models (LLMs) as generalizable neural solvers for fluid dynamics. The framework first compresses high-dimensional flow fields into a compact latent space via reduced-order modeling enhanced with a physics-informed disentanglement mechanism, effectively mitigating spatial feature entanglement while preserving essential flow structures. A pretrained LLM then serves as a temporal processor, autoregressively predicting the dynamics of physical sequences with time series prompts. To bridge the modality gap between prompts and physical sequences, which can otherwise degrade prediction accuracy, we propose a dedicated modality alignment strategy that resolves representational mismatch and stabilizes long-term prediction. Extensive experiments across diverse flow scenarios demonstrate that LLM4Fluid functions as a robust and generalizable neural solver without retraining, achieving state-of-the-art accuracy while exhibiting powerful zero-shot and in-context learning capabilities. Code and datasets are publicly available at https://github.com/qisongxiao/LLM4Fluid.
- Abstract（参考訳）: 深層学習は流体力学の時空間モデリングのための有望なパラダイムとして登場した。
しかしながら、既存のアプローチは、しばしば、目に見えない流れの条件への限定的な一般化に悩まされ、通常、新しいシナリオに適用する場合、再訓練を必要とする。
本稿では,大規模言語モデル(LLM)を流体力学の一般化可能なニューラルソルバとして活用する時空間予測フレームワーク LLM4Fluid を提案する。
このフレームワークは、まず、物理学的インフォームド・アンタングルメント機構により強化された縮小階モデリングにより、高次元流れ場をコンパクトな潜在空間に圧縮し、本質的なフロー構造を維持しつつ、空間的特徴絡みを効果的に緩和する。
事前訓練されたLLMはテンポラリプロセッサとして機能し、時系列プロンプトで物理シーケンスのダイナミクスを自動回帰予測する。
予測精度を低下させることができるプロンプトと物理シーケンス間のモダリティギャップを橋渡しするために,表現ミスマッチを解消し,長期予測を安定化する専用モダリティアライメント戦略を提案する。
多様なフローシナリオにわたる大規模な実験により、LLM4Fluid関数は、再トレーニングなしに堅牢で一般化可能なニューラルソルバとして機能し、最先端の精度を達成し、強力なゼロショットとインコンテキスト学習能力を示した。
コードとデータセットはhttps://github.com/qisongxiao/LLM4Fluid.comで公開されている。
関連論文リスト
- Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。
我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文 参考訳（メタデータ） (2025-09-03T18:05:02Z) - FlowBERT: Prompt-tuned BERT for variable flow field prediction [0.5222978725954347]
本研究では,大言語モデル(LLM)からの知識伝達に基づくユニバーサルフロー場予測フレームワークを提案する。
提案手法は,90%以上の精度を維持しながら予測時間を秒に短縮する。
発達した知識伝達パラダイムは、高速流体力学予測のための新しい方向を確立する。
論文 参考訳（メタデータ） (2025-05-20T02:25:38Z) - Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。
科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
論文 参考訳（メタデータ） (2025-03-02T16:10:32Z) - Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。
ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。
純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
論文 参考訳（メタデータ） (2024-08-31T13:43:52Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - FLUID-LLM: Learning Computational Fluid Dynamics with Spatiotemporal-aware Large Language Models [15.964726158869777]
大規模言語モデル(LLM)は、顕著なパターン認識と推論能力を示している。
FLUID-LLMは,非定常流体力学を予測するために,事前学習LLMと事前認識符号化を組み合わせた新しいフレームワークである。
この結果から,FLUID-LLMは時間情報を事前学習したLLMに効果的に統合し,CFDタスク性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2024-06-06T20:55:40Z) - Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳（メタデータ） (2024-03-25T17:40:32Z) - Course Correcting Koopman Representations [12.517740162118855]
本稿では, この問題のオートエンコーダの定式化と, ダイナミックスをモデル化するための様々な方法について検討する。
本稿では,長期的ダイナミクスを忠実に捉えるために,周期的再符号化と呼ばれる推論時機構を提案する。
論文 参考訳（メタデータ） (2023-10-23T22:36:31Z) - Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文 参考訳（メタデータ） (2021-06-10T13:07:33Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。