論文の概要: PEST: Physics-Enhanced Swin Transformer for 3D Turbulence Simulation

• arxiv url: http://arxiv.org/abs/2602.10150v1
• Date: Mon, 09 Feb 2026 18:37:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.184895
• Title: PEST: Physics-Enhanced Swin Transformer for 3D Turbulence Simulation
• Title（参考訳）: PEST:3次元乱流シミュレーションのための物理学強化スウィントランス
• Authors: Yilong Dai, Shengyu Chen, Xiaowei Jia, Peyman Givi, Runlong Yu,
• Abstract要約: 直接数値シミュレーション(DNS)は高い忠実度を提供するが、計算は禁じられている。 既存のデータ駆動の代替手段は、安定した長距離ロールアウト、物理的一貫性、小規模構造の忠実なシミュレーションに苦慮している。 本研究では3次元乱流シミュレーションのための物理強化スウィントランス(PEST)を提案する。
• 参考スコア（独自算出の注目度）: 19.744829080390165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate simulation of turbulent flows is fundamental to scientific and engineering applications. Direct numerical simulation (DNS) offers the highest fidelity but is computationally prohibitive, while existing data-driven alternatives struggle with stable long-horizon rollouts, physical consistency, and faithful simulation of small-scale structures. These challenges are particularly acute in three-dimensional (3D) settings, where the cubic growth of spatial degrees of freedom dramatically amplifies computational cost, memory demand, and the difficulty of capturing multi-scale interactions. To address these challenges, we propose a Physics-Enhanced Swin Transformer (PEST) for 3D turbulence simulation. PEST leverages a window-based self-attention mechanism to effectively model localized PDE interactions while maintaining computational efficiency. We introduce a frequency-domain adaptive loss that explicitly emphasizes small-scale structures, enabling more faithful simulation of high-frequency dynamics. To improve physical consistency, we incorporate Navier--Stokes residual constraints and divergence-free regularization directly into the learning objective. Extensive experiments on two representative turbulent flow configurations demonstrate that PEST achieves accurate, physically consistent, and stable autoregressive long-term simulations, outperforming existing data-driven baselines.
• Abstract（参考訳）: 乱流の正確なシミュレーションは、科学や工学の応用に不可欠である。 直接数値シミュレーション(DNS)は高い忠実性を提供するが、計算は禁じられているが、既存のデータ駆動の代替手段は安定した長距離ロールアウト、物理的一貫性、小規模構造物の忠実なシミュレーションに苦慮している。 これらの課題は、空間的自由度の3次成長が計算コスト、メモリ需要、マルチスケール相互作用のキャプチャの難しさを劇的に増幅する3次元(3次元)環境では特に深刻である。 これらの課題に対処するために,3次元乱流シミュレーションのための物理強化スウィントランス (PEST) を提案する。 PESTはウィンドウベースの自己認識機構を利用して、計算効率を維持しながら、局所的なPDE相互作用を効果的にモデル化する。 周波数領域適応損失を導入し、小型構造を明確に強調し、高周波力学のより忠実なシミュレーションを可能にする。 身体的整合性を改善するため,Navier-Stokes残差制約とばらつきのない正規化を学習目的に直接組み込む。 2つの代表的な乱流構成に関する広範囲な実験により、PESTは正確で、物理的に一貫性があり、安定な自己回帰的長期シミュレーションを達成し、既存のデータ駆動ベースラインを上回ります。

関連論文リスト

• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• AMR-Transformer: Enabling Efficient Long-range Interaction for Complex Neural Fluid Simulation [33.63726923336252]
  本稿では,AMR-Transformerを提案する。 これは、Navier-Stokes制約を意識した高速刈取モジュールと、新しい適応メッシュリファインメントスキームを統合している。 提案手法は,ベースラインモデルよりも精度が向上する。
  論文  参考訳（メタデータ） (2025-03-13T11:16:42Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• A Staged Deep Learning Approach to Spatial Refinement in 3D Temporal Atmospheric Transport [0.0]
  本稿では,2段テンポラル3次元超解像(DST3D-UNet-SR)モデルを提案する。 このモジュールは、低分解能時間データから複雑な地形における羽根の過渡的な進化を予測する時間モジュール(TM)と、その空間分解モジュール(SRM)の2つの逐次モジュールから構成され、その結果、予測の空間分解能が向上する。
  論文  参考訳（メタデータ） (2024-12-14T19:43:48Z)
• Comparison of Generative Learning Methods for Turbulence Modeling [1.2499537119440245]
  直接数値シミュレーション (DNS) や大渦シミュレーション (LES) のような高解像度の手法は一般に計算に手頃な価格ではない。 機械学習、特に生成確率モデルにおける最近の進歩は、乱流モデリングのための有望な代替手段を提供する。 本稿では, 変分オートエンコーダ(VAE), ディープ・コンバーサナル・ジェネレータ・ネットワーク(DCGAN), 拡散確率モデル(DDPM)の3つの生成モデルの適用について検討する。
  論文  参考訳（メタデータ） (2024-11-25T14:20:53Z)
• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)

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。