論文の概要: Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries

• arxiv url: http://arxiv.org/abs/2602.04940v1
• Date: Wed, 04 Feb 2026 16:52:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.565424
• Title: Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries
• Title（参考訳）: Transolver-3:Transformer Solversを産業用ジオメトリにスケールアップする
• Authors: Hang Zhou, Haixu Wu, Haonan Shangguan, Yuezhou Ma, Huikun Weng, Jianmin Wang, Mingsheng Long,
• Abstract要約: Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 51.028432812178266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has emerged as a transformative tool for the neural surrogate modeling of partial differential equations (PDEs), known as neural PDE solvers. However, scaling these solvers to industrial-scale geometries with over $10^8$ cells remains a fundamental challenge due to the prohibitive memory complexity of processing high-resolution meshes. We present Transolver-3, a new member of the Transolver family as a highly scalable framework designed for high-fidelity physics simulations. To bridge the gap between limited GPU capacity and the resolution requirements of complex engineering tasks, we introduce two key architectural optimizations: faster slice and deslice by exploiting matrix multiplication associative property and geometry slice tiling to partition the computation of physical states. Combined with an amortized training strategy by learning on random subsets of original high-resolution meshes and a physical state caching technique during inference, Transolver-3 enables high-fidelity field prediction on industrial-scale meshes. Extensive experiments demonstrate that Transolver-3 is capable of handling meshes with over 160 million cells, achieving impressive performance across three challenging simulation benchmarks, including aircraft and automotive design tasks.
• Abstract（参考訳）: ディープラーニングは、ニューラルPDEソルバとして知られる偏微分方程式(PDE)のニューラルサロゲートモデリングのための変換ツールとして登場した。 しかし、これらの解法を10^8$セルの産業規模に拡張することは、高分解能メッシュを処理するのが禁止されたメモリの複雑さのため、根本的な課題である。 高忠実度物理シミュレーション用に設計されたスケーラブルなフレームワークとして,Transolverファミリーの新たなメンバーであるTransolver-3を紹介する。 限られたGPU容量と複雑なエンジニアリングタスクの解決要件のギャップを埋めるために,行列乗算結合特性を利用した高速スライスとデスライスと,物理状態の計算を分割する幾何スライスタイリングという2つのアーキテクチャ最適化を導入する。 Transolver-3は、元々の高解像度メッシュのランダムサブセットを学習し、推論中に物理的状態キャッシングテクニックを学習することで、償却トレーニング戦略と組み合わせることで、産業規模メッシュ上での高忠実度フィールド予測を可能にする。 大規模な実験では、Transolver-3は1億6000万以上のセルでメッシュを処理でき、航空機や自動車の設計タスクを含む3つの挑戦的なシミュレーションベンチマークで素晴らしいパフォーマンスを達成している。

関連論文リスト

• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• Efficient Generative Transformer Operators For Million-Point PDEs [12.324265832276538]
  ECHOは100万ポイントのPDEトラジェクトリを生成するためのトランスフォーマー演算フレームワークである。 複雑,高周波,長期の地平線を特徴とする100万点シミュレーションの最先端性能を実証する。
  論文  参考訳（メタデータ） (2025-12-04T16:46:48Z)
• Multi-patch isogeometric neural solver for partial differential equations on computer-aided design domains [0.0]
  この研究は、物理インフォームドニューラルネットワークとマルチパッチアイソジオメトリ分析を組み合わせた計算フレームワークを開発する。 アイソ幾何学解析の参照領域で動作するパッチローカルニューラルネットワークを利用する。 提案手法の有効性を2つの非自明で実用的なユースケースで実証した。
  論文  参考訳（メタデータ） (2025-09-29T19:57:54Z)
• Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries [67.63077028746191]
  Transolver++は、百万のスケールでPDEを解くことができる、非常に並列で効率的なニューラルソルバである。 Transolver++は、シングルGPU入力能力を初めて100万ポイントに拡張する。 数百万スケールの高忠実度産業シミュレーションで20%以上の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-02-04T15:33:50Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• PhySRNet: Physics informed super-resolution network for application in computational solid mechanics [0.0]
  本研究は,物理インフォームド深層学習に基づく超解像フレームワーク(PhySRNet)の開発を目的とする。 高分解能ラベル付きデータを必要とせずに、高分解能変形場を低分解能変形体から復元することができる。
  論文  参考訳（メタデータ） (2022-06-30T17:51:50Z)

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。