論文の概要: GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training

• arxiv url: http://arxiv.org/abs/2602.20399v1
• Date: Mon, 23 Feb 2026 22:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.540929
• Title: GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training
• Title（参考訳）: GeoPT: Lifted Geometric Pre-Trainingによる物理シミュレーション
• Authors: Haixu Wu, Minghao Guo, Zongyi Li, Zhiyang Dou, Mingsheng Long, Kaiming He, Wojciech Matusik,
• Abstract要約: 我々は,持ち上げ幾何事前学習に基づく一般物理シミュレーションのための統一事前学習モデルGeoPTを提案する。 中心となる考え方は、幾何学を合成力学で強化し、物理ラベルなしで動的に認識できる自己超越を可能にすることである。
• 参考スコア（独自算出の注目度）: 86.70824679370524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural simulators promise efficient surrogates for physics simulation, but scaling them is bottlenecked by the prohibitive cost of generating high-fidelity training data. Pre-training on abundant off-the-shelf geometries offers a natural alternative, yet faces a fundamental gap: supervision on static geometry alone ignores dynamics and can lead to negative transfer on physics tasks. We present GeoPT, a unified pre-trained model for general physics simulation based on lifted geometric pre-training. The core idea is to augment geometry with synthetic dynamics, enabling dynamics-aware self-supervision without physics labels. Pre-trained on over one million samples, GeoPT consistently improves industrial-fidelity benchmarks spanning fluid mechanics for cars, aircraft, and ships, and solid mechanics in crash simulation, reducing labeled data requirements by 20-60% and accelerating convergence by 2$\times$. These results show that lifting with synthetic dynamics bridges the geometry-physics gap, unlocking a scalable path for neural simulation and potentially beyond. Code is available at https://github.com/Physics-Scaling/GeoPT.
• Abstract（参考訳）: ニューラルネットワークシミュレータは、物理シミュレーションのための効率的なサロゲートを約束するが、それらをスケールすることは、高忠実度トレーニングデータを生成するという禁断のコストによってボトルネックとなる。 豊富なオフ・ザ・シェルフ・ジオメトリの事前トレーニングは、自然な代替手段を提供するが、基本的なギャップに直面している。 我々は,持ち上げ幾何事前学習に基づく一般物理シミュレーションのための統一事前学習モデルGeoPTを提案する。 中心となる考え方は、幾何学を合成力学で強化し、物理ラベルなしで動的に認識できる自己超越を可能にすることである。 既に100万以上のサンプルに基づいてトレーニングされたGeoPTは、自動車、航空機、船舶の流体力学、クラッシュシミュレーションにおける固体力学にまたがる産業忠実度ベンチマークを一貫して改善し、ラベル付きデータの要求を20～60%削減し、収束を2$\times$で加速する。 これらの結果は、合成動力学による昇降が幾何学と物理のギャップを橋渡しし、ニューラルネットワークのためのスケーラブルな経路を解き放つことを示している。 コードはhttps://github.com/Physics-Scaling/GeoPTで入手できる。

関連論文リスト

• PhysGM: Large Physical Gaussian Model for Feed-Forward 4D Synthesis [37.21119648359889]
  PhysGMはフィードフォワードフレームワークであり、単一の画像から3次元ガウス表現とその物理的特性を共同で予測する。 1分で1枚の画像から高忠実度4Dシミュレーションを効果的に生成する。
  論文  参考訳（メタデータ） (2025-08-19T15:10:30Z)
• PhysiX: A Foundation Model for Physics Simulations [27.359872113159405]
  物理シミュレーションのための最初の大規模基礎モデルであるPhysorXを紹介する。 PhysiXはデータボトルネックに効果的に対処し、タスク固有のベースラインを上回ります。 その結果,自然ビデオから学んだ知識が物理シミュレーションにうまく移行できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-21T18:10:12Z)
• Flow Matching for Geometric Trajectory Simulation [4.271235935891555]
  N体系は、分子動力学、生化学、歩行者動力学など幅広い分野の応用において基本的な問題である。 機械学習は、物理ベースのシミュレータをスケールし、実験データから直接モデルを開発する上で、貴重なツールとなっている。 現実的な軌跡を生成するためには、既存の手法は、非情報ノイズから始まる複雑な変換を学習し、ドメインインフォームド先行の活用を許さない必要がある。 本稿では,この制限に対処するためにSTFlowを提案する。フローマッチングとデータ依存結合を利用して,モデル表現率やスケーラビリティを犠牲にすることなく,幾何学的軌道の物理インフォームドシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2025-05-24T11:18:59Z)
• AB-UPT: Scaling Neural CFD Surrogates for High-Fidelity Automotive Aerodynamics Simulations via Anchored-Branched Universal Physics Transformers [20.363139473435048]
  CFDシミュレーションのためのニューラルサロゲート構築のための新しいモデリング手法としてAB-UPTを導入する。 AB-UPTは,3万3千万から1億5000万のメッシュセルからなる自動車CFDシミュレーションにおいて,表面および体積場の最先端予測精度が得られることを示す。 特に、提案されたモデルは1日以内で1つのGPUでトレーニングでき、業界標準のサーフェスとボリュームフィールドを数秒で予測できる。
  論文  参考訳（メタデータ） (2025-02-13T17:58:07Z)
• 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)
• 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。