論文の概要: Uni-Flow: a unified autoregressive-diffusion model for complex multiscale flows

• arxiv url: http://arxiv.org/abs/2602.15592v1
• Date: Tue, 17 Feb 2026 14:04:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.084538
• Title: Uni-Flow: a unified autoregressive-diffusion model for complex multiscale flows
• Title（参考訳）: Uni-Flow:複雑なマルチスケールフローに対する統合自己回帰拡散モデル
• Authors: Xiao Xue, Tianyue Yang, Mingyang Gao, Leyu Pan, Maida Wang, Kewei Zhu, Shuo Wang, Jiuling Li, Marco F. P. ten Eikelder, Peter V. Coveney,
• Abstract要約: Uni-Flowは複雑な動的システムをモデリングするための統合された自己回帰拡散フレームワークである。 高忠実度血行シミュレーションをデプロイ可能なサロゲートに変換することで、Uni-Flowはより高速なリアルタイムモデリングを実現する。
• 参考スコア（独自算出の注目度）: 4.450855244041944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal flows govern diverse phenomena across physics, biology, and engineering, yet modelling their multiscale dynamics remains a central challenge. Despite major advances in physics-informed machine learning, existing approaches struggle to simultaneously maintain long-term temporal evolution and resolve fine-scale structure across chaotic, turbulent, and physiological regimes. Here, we introduce Uni-Flow, a unified autoregressive-diffusion framework that explicitly separates temporal evolution from spatial refinement for modelling complex dynamical systems. The autoregressive component learns low-resolution latent dynamics that preserve large-scale structure and ensure stable long-horizon rollouts, while the diffusion component reconstructs high-resolution physical fields, recovering fine-scale features in a small number of denoising steps. We validate Uni-Flow across canonical benchmarks, including two-dimensional Kolmogorov flow, three-dimensional turbulent channel inflow generation with a quantum-informed autoregressive prior, and patient-specific simulations of aortic coarctation derived from high-fidelity lattice Boltzmann hemodynamic solvers. In the cardiovascular setting, Uni-Flow enables task-level faster than real-time inference of pulsatile hemodynamics, reconstructing high-resolution pressure fields over physiologically relevant time horizons in seconds rather than hours. By transforming high-fidelity hemodynamic simulation from an offline, HPC-bound process into a deployable surrogate, Uni-Flow establishes a pathway to faster-than-real-time modelling of complex multiscale flows, with broad implications for scientific machine learning in flow physics.
• Abstract（参考訳）: 時空間流は物理学、生物学、工学にまたがる様々な現象を支配しているが、その多スケール力学をモデル化することは依然として中心的な課題である。 物理インフォームド機械学習の大きな進歩にもかかわらず、既存のアプローチは長期の時間的進化を同時に維持し、カオス的、乱流的、生理的体制を越えて微細な構造を解決するのに苦労している。 本稿では、複雑な力学系をモデル化するための空間的洗練から時間的進化を明確に分離する統合自己回帰拡散フレームワークUni-Flowを紹介する。 自己回帰成分は、大規模構造を保ち、安定した長距離ロールアウトを確保するための低分解能潜伏ダイナミクスを学習し、拡散成分は高分解能物理場を再構成し、少数の復調ステップで微細な特徴を回復する。 本研究では, 2次元コルモゴロフ流, 量子インフォームド自己回帰を用いた3次元乱流チャネルインフロー生成, 高密度格子ボルツマン血行力学的解法から導かれる大動脈瘤の患者特異的シミュレーションを含む, 標準的ベンチマークにおけるUni-Flowの検証を行った。 心臓血管設定では、Uni-Flowは、24時間ではなく数秒で生理的関連のある時間的地平線上の高分解能圧力場を再構築する。 高忠実度血行シミュレーションをオフラインのHPCバウンドプロセスからデプロイ可能なサロゲートに変換することで、Uni-Flowは複雑なマルチスケールフローをリアルタイムに高速にモデリングする方法を確立し、フロー物理学における科学的機械学習に幅広い意味を持つ。

関連論文リスト

• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [4.5211402678313135]
  LD-FPGの学習潜在空間内でのダイナミクスをシミュレーションするモジュールコンポーネントであるGraph Latent Dynamics Propagator (GLDP)を紹介する。 我々は,スコア誘導ランゲヴィン力学,(ii)クープマンに基づく線形作用素,(iii)自己回帰ニューラルネットワークの3種類のプロパゲータを比較した。 統合エンコーダ・プロパゲータ・デコーダ・フレームワーク内では、長い水平安定性、バックボーンとサイドチェーンのアンサンブルの忠実さ、機能的自由エネルギーの景観を評価する。
  論文  参考訳（メタデータ） (2025-09-02T11:09:06Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
  本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。 本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
  論文  参考訳（メタデータ） (2025-02-11T22:14:30Z)
• Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
  本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。 提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。 この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-06-17T10:21:01Z)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)

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。