論文の概要: Learning Transient Convective Heat Transfer with Geometry Aware World Models

• arxiv url: http://arxiv.org/abs/2601.22086v1
• Date: Thu, 29 Jan 2026 18:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.07433
• Title: Learning Transient Convective Heat Transfer with Geometry Aware World Models
• Title（参考訳）: 幾何学的世界モデルによる過渡対流熱伝達の学習
• Authors: Onur T. Doganay, Alexander Klawonn, Martin Eigel, Hanno Gottschalk,
• Abstract要約: 本稿では,映像生成アーキテクチャ(LongVideoGAN)を応用し,一貫した物理を学習する幾何学的世界モデルアーキテクチャを提案する。 本研究では, 固体構造内の熱流に結合した浮力駆動流れからの対流熱伝達を伴う2次元過渡流体力学 (CFD) 問題について検討した。
• 参考スコア（独自算出の注目度）: 41.969427056765014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial differential equation (PDE) simulations are fundamental to engineering and physics but are often computationally prohibitive for real-time applications. While generative AI offers a promising avenue for surrogate modeling, standard video generation architectures lack the specific control and data compatibility required for physical simulations. This paper introduces a geometry aware world model architecture, derived from a video generation architecture (LongVideoGAN), designed to learn transient physics. We introduce two key architecture elements: (1) a twofold conditioning mechanism incorporating global physical parameters and local geometric masks, and (2) an architectural adaptation to support arbitrary channel dimensions, moving beyond standard RGB constraints. We evaluate this approach on a 2D transient computational fluid dynamics (CFD) problem involving convective heat transfer from buoyancy-driven flow coupled to a heat flow in a solid structure. We demonstrate that the conditioned model successfully reproduces complex temporal dynamics and spatial correlations of the training data. Furthermore, we assess the model's generalization capabilities on unseen geometric configurations, highlighting both its potential for controlled simulation synthesis and current limitations in spatial precision for out-of-distribution samples.
• Abstract（参考訳）: 偏微分方程式(PDE)シミュレーションは工学や物理学の基本であるが、リアルタイムアプリケーションでは計算が禁止されることが多い。 生成AIは代理モデリングのための有望な道を提供するが、標準的なビデオ生成アーキテクチャは物理シミュレーションに必要な特定の制御とデータの互換性を欠いている。 本稿では,過渡物理学の学習を目的とした映像生成アーキテクチャ(LongVideoGAN)を基にした幾何学的世界モデルアーキテクチャを提案する。 本研究では,(1)グローバルな物理パラメータと局所的な幾何マスクを組み込んだ2重条件付け機構,(2)標準RGB制約を超えて任意のチャネル次元をサポートするアーキテクチャ適応,の2つの重要なアーキテクチャ要素を紹介する。 本研究では, 固体構造内の熱流に結合した浮力駆動流れからの対流熱伝達を伴う2次元過渡流体力学 (CFD) 問題について検討した。 条件付きモデルでは、トレーニングデータの複雑な時間的ダイナミクスと空間的相関をうまく再現できることを実証する。 さらに、制御されたシミュレーション合成のポテンシャルと、分布外サンプルの空間的精度の現在の制限の両方を強調して、未知の幾何学的構成に対するモデルの一般化能力を評価する。

関連論文リスト

• Universal Physics Simulation: A Foundational Diffusion Approach [0.0]
  境界条件データから直接物理法則を学習する普遍物理学シミュレーションのための最初の基礎的AIモデルを提案する。 本手法は,シミュレーションを条件付き生成問題として扱うことにより,計算物理を再現する。 繰り返しにわたってエラーを蓄積するシーケンシャルなタイムステッピングメソッドとは異なり、私たちのアプローチは時間的統合を完全にバイパスします。
  論文  参考訳（メタデータ） (2025-07-13T18:12:34Z)
• When do World Models Successfully Learn Dynamical Systems? [1.0470286407954037]
  低次元空間に投射時間スライスし,それを結合して歴史(「トークン化」)を形成することが,物理データセットの学習に非常に効果的である理由を説明する理論的枠組みを提案する。 我々は、最小二乗回帰から始まり、単純な線形層、浅い逆数学習者、そして最終的にフルスケールな生成逆数ネットワーク(GAN)を通して進行する、複雑さを増す一連のモデルを開発する。 熱・波動方程式の修正形式,カオス状態 2D 倉本-シヴァシンスキー方程式,計算流体力学など,様々なデータセット上でこれらのモデルを評価した。
  論文  参考訳（メタデータ） (2025-07-07T11:29:18Z)
• PDE-Transformer: Efficient and Versatile Transformers for Physics Simulations [23.196500975208302]
  PDE-Transformerは、正規格子上の物理シミュレーションの代理モデリングのための改良されたトランスフォーマーベースのアーキテクチャである。 提案アーキテクチャは16種類のPDEの大規模データセット上で,コンピュータビジョンのための最先端のトランスフォーマーアーキテクチャより優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-30T15:39:54Z)
• A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems [0.0]
  対流に対する物理インフォームRBCサロゲートモデルを提案する。 我々のアプローチは、空間還元のための標準次元ニューラルネットワークと、大きな言語モデルにインスパイアされた革新的な再帰的アーキテクチャを組み合わせる。 このモデルは、計算コストを削減しつつ、重要な物理的特徴を再現し、長期シミュレーションのためのDNSに代わるスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-16T06:47:00Z)
• Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
  物理インフォームド・機械学習は、デジタル双生児におけるモデリングとシミュレーションの一般的なアプローチとして登場した。 本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。 本手法は、物理モデルとフィードフォワード学習ブロックとから、微分可能な物理ブロックを実装する数学的演算子を統合する。
  論文  参考訳（メタデータ） (2024-11-18T11:58:20Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。