論文の概要: Distributed physics-informed neural networks via domain decomposition for fast flow reconstruction

• arxiv url: http://arxiv.org/abs/2602.15883v1
• Date: Thu, 05 Feb 2026 16:41:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.689585
• Title: Distributed physics-informed neural networks via domain decomposition for fast flow reconstruction
• Title（参考訳）: 高速流れ再構成のための領域分解による分散物理インフォームニューラルネットワーク
• Authors: Yixiao Qian, Jiaxu Liu, Zewei Xia, Song Chen, Chao Xu, Shengze Cai,
• Abstract要約: PINは流れの復元に強力なパラダイムを提供し、速度測定を支配的なNavier-N方程式とシームレスに統合し、完全な速度場と潜水圧場を回復する。 このような分散PINにおける重要な課題は、独立したサブネットワークが非一貫性な局所的な圧力ベースラインに流れ込む圧力不決定性である。 指定されたマスターランクから一方向の流れを強制することにより,一意性を排除し,時間的連続性を保ちながら大域的な圧力を保証できる。
• 参考スコア（独自算出の注目度）: 8.614942690565782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-Informed Neural Networks (PINNs) offer a powerful paradigm for flow reconstruction, seamlessly integrating sparse velocity measurements with the governing Navier-Stokes equations to recover complete velocity and latent pressure fields. However, scaling such models to large spatiotemporal domains is hindered by computational bottlenecks and optimization instabilities. In this work, we propose a robust distributed PINNs framework designed for efficient flow reconstruction via spatiotemporal domain decomposition. A critical challenge in such distributed solvers is pressure indeterminacy, where independent sub-networks drift into inconsistent local pressure baselines. We address this issue through a reference anchor normalization strategy coupled with decoupled asymmetric weighting. By enforcing a unidirectional information flow from designated master ranks where the anchor point lies to neighboring ranks, our approach eliminates gauge freedom and guarantees global pressure uniqueness while preserving temporal continuity. Furthermore, to mitigate the Python interpreter overhead associated with computing high-order physics residuals, we implement a high-performance training pipeline accelerated by CUDA graphs and JIT compilation. Extensive validation on complex flow benchmarks demonstrates that our method achieves near-linear strong scaling and high-fidelity reconstruction, establishing a scalable and physically rigorous pathway for flow reconstruction and understanding of complex hydrodynamics.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、フロー再構成のための強力なパラダイムを提供し、スパース速度の測定を支配的ナヴィエ・ストークス方程式とシームレスに統合し、完全な速度と潜水圧場を回復する。 しかし、そのようなモデルを大規模な時空間領域にスケールすることは、計算のボトルネックと最適化の不安定さによって妨げられる。 本研究では,時空間分解による効率的な流れ再構成を目的とした分散PINNフレームワークを提案する。 このような分散解法における重要な課題は、独立したサブネットワークが不整合な局所的な圧力ベースラインに流れ込む圧力不確定性である。 本稿では,非対称重み付けを併用した基準アンカー正規化戦略によりこの問題に対処する。 アンカーポイントが隣接している指定マスターランクから一方向の情報の流れを強制することにより、ゲージの自由を排除し、時間的連続性を維持しながら大域的な圧力特異性を保証する。 さらに,高次物理残差計算に伴うPythonインタプリタのオーバーヘッドを軽減するため,CUDAグラフとJITコンパイルによって高速化された高性能なトレーニングパイプラインを実装した。 複雑な流れのベンチマークに対する広範囲な検証により,我々の手法がほぼ直線的な強いスケーリングと高忠実度再構成を実現し,流動の再構築と複雑な流体力学の理解のためのスケーラブルで物理的に厳密な経路を確立することが証明された。

関連論文リスト

• ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
  ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。 本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。 我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
  論文  参考訳（メタデータ） (2026-02-09T18:54:18Z)
• Solving nonlinear subsonic compressible flow in infinite domain via multi-stage neural networks [1.1317872970491056]
  空気力学では、航空機の設計において空気翼上の亜音速圧縮可能な流れを正確にモデル化することが重要である。 伝統的なアプローチは、しばしば線形化方程式や有限で切り詰められた領域に頼り、非無視的な誤りと実世界のシナリオにおける適用性を制限する。 本研究では,非有界領域における完全非線形圧縮ポテンシャル方程式の解法として物理情報ネットワーク(PINN)を用いる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-01T13:46:01Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Fast Training of Recurrent Neural Networks with Stationary State Feedbacks [48.22082789438538]
  リカレントニューラルネットワーク(RNN)は最近、Transformerよりも強力なパフォーマンスと高速な推論を実証している。 BPTTを固定勾配フィードバック機構で置き換える新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-29T14:45:52Z)
• Sequential learning based PINNs to overcome temporal domain complexities in unsteady flow past flapping wings [0.27930367518472443]
  我々は、Physics-In Neural Networks(PINN)とIBM(Inimmersed boundary method)を組み合わせて、IBA(Inmersed boundary-aware)フレームワークを導入する。 長期統合におけるPINNの主な困難は、時間空間、長い時間領域、豊富なスペクトルコンテンツである。 本研究は,フロー構造相互作用問題の長期統合における従来のPINNの限界を明らかにする。
  論文  参考訳（メタデータ） (2025-03-19T20:20:50Z)
• 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)
• Normalizing flow neural networks by JKO scheme [22.320632565424745]
  我々はJKO-iFlowと呼ばれるニューラルネットワークを開発し、Jordan-Kinderleherer-Ottoスキームに触発された。 提案手法は,残余ブロックを次々と積み重ねることにより,残余ブロックの効率的なブロックワイズ訓練を可能にする。 合成および実データを用いた実験により,提案したJKO-iFlowネットワークが競合性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-12-29T18:55:00Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)

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。