論文の概要: Stable Long-Horizon Spatiotemporal Prediction on Meshes Using Latent Multiscale Recurrent Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2602.18146v1
- Date: Fri, 20 Feb 2026 11:22:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 18:01:41.305151
- Title: Stable Long-Horizon Spatiotemporal Prediction on Meshes Using Latent Multiscale Recurrent Graph Neural Networks
- Title（参考訳）: 遅延型マルチスケールリカレントグラフニューラルネットを用いたメッシュの安定長水平時空間予測
- Authors: Lionel Salesses, Larbi Arbaoui, Tariq Benamara, Arnaud Francois, Caroline Sainvitu,
- Abstract要約: メッシュ上での全温度履歴を直接予測するディープラーニングフレームワークを提案する。
このフレームワークは何千もの時間ステップを維持し、不均一なジオメトリをまたいで一般化する。
粉体層融合データのシミュレーション実験により, 高精度で時間的に安定な長水平予測が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate long-horizon prediction of spatiotemporal fields on complex geometries is a fundamental challenge in scientific machine learning, with applications such as additive manufacturing where temperature histories govern defect formation and mechanical properties. High-fidelity simulations are accurate but computationally costly, and despite recent advances, machine learning methods remain challenged by long-horizon temperature and gradient prediction. We propose a deep learning framework for predicting full temperature histories directly on meshes, conditioned on geometry and process parameters, while maintaining stability over thousands of time steps and generalizing across heterogeneous geometries. The framework adopts a temporal multiscale architecture composed of two coupled models operating at complementary time scales. Both models rely on a latent recurrent graph neural network to capture spatiotemporal dynamics on meshes, while a variational graph autoencoder provides a compact latent representation that reduces memory usage and improves training stability. Experiments on simulated powder bed fusion data demonstrate accurate and temporally stable long-horizon predictions across diverse geometries, outperforming existing baseline. Although evaluated in two dimensions, the framework is general and extensible to physics-driven systems with multiscale dynamics and to three-dimensional geometries.
- Abstract（参考訳）: 複素測地における時空間場の正確な長距離予測は、温度履歴が欠陥形成や機械的特性を左右する添加物製造のような科学的な機械学習の基本的な課題である。
高忠実度シミュレーションは正確だが計算に費用がかかるが、最近の進歩にもかかわらず、機械学習手法は長い水平温度と勾配予測によって依然として挑戦されている。
本研究では,メッシュ上での全温度履歴を直接予測し,幾何やプロセスパラメータを条件とした深層学習フレームワークを提案する。
このフレームワークは、相補的な時間スケールで動作する2つの結合モデルからなる時間的マルチスケールアーキテクチャを採用している。
どちらのモデルも、メッシュ上の時空間ダイナミクスをキャプチャするために、遅延リカレントグラフニューラルネットワークに依存しており、変動グラフオートエンコーダは、メモリ使用率を低減し、トレーニング安定性を向上させる、コンパクトな潜時表現を提供する。
粉体層融合データのシミュレーション実験により, 種々の地形をまたいだ高精度かつ時間的に安定な長水平予測が示され, 既存のベースラインよりも優れていた。
2次元で評価されるが、この枠組みは多次元力学と3次元幾何学を持つ物理駆動システムに対して一般化され拡張可能である。
関連論文リスト
- Online learning of subgrid-scale models for quasi-geostrophic turbulence in planetary interiors [41.99844472131922]
軸対称境界領域における準破壊的乱流について検討する。
流れは所定の解析力によって駆動される。
我々は,1回のターンオーバー時間のみにまたがるデータに基づいてトレーニングされたSGSモデルが,トレーニング期間より少なくとも100倍長い統合よりも安定かつ正確であることを示す。
論文 参考訳（メタデータ） (2025-11-18T15:21:38Z) - Breaking the Discretization Barrier of Continuous Physics Simulation Learning [16.740327071700268]
本研究では、部分的な観測から連続物理シミュレーションをモデル化する純粋にデータ駆動方式を提案する。
具体的には,空間情報と対応する観測情報を融合して符号化するために,乗法フィルタネットワークを用いる。
我々は、幾何学的グリッドをカスタマイズし、メッセージパッシング機構を使用して、元の空間領域からカスタマイズされたグリッドに特徴をマッピングする。
論文 参考訳（メタデータ） (2025-09-22T16:10:58Z) - Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting [12.301897782320967]
TK-GCNは、幾何学的空間符号化と長距離時間モデリングを統合した2段階のフレームワークである。
我々は,TK-GCNが予測地平線全体にわたって優れた予測精度を提供することを示す。
論文 参考訳（メタデータ） (2025-07-05T01:26:03Z) - Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。
データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
論文 参考訳（メタデータ） (2025-04-26T19:56:38Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Towards Fast Simulation of Environmental Fluid Mechanics with
Multi-Scale Graph Neural Networks [0.0]
我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。
本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。
MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2～4桁高速である。
論文 参考訳（メタデータ） (2022-05-05T13:33:03Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。