論文の概要: Neural Latent Arbitrary Lagrangian-Eulerian Grids for Fluid-Solid Interaction

• arxiv url: http://arxiv.org/abs/2603.00792v1
• Date: Sat, 28 Feb 2026 19:23:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.36296
• Title: Neural Latent Arbitrary Lagrangian-Eulerian Grids for Fluid-Solid Interaction
• Title（参考訳）: 流体-固体相互作用のためのニューラルラグランジアン・ユーレリア格子
• Authors: Shilong Tao, Zhe Feng, Shaohan Chen, Weichen Zhang, Zhanxing Zhu, Yunhuai Liu,
• Abstract要約: 複雑な双方向の textbfFSI 問題を処理するためのデータ駆動フレームワーク textbfFisale を紹介する。 既存のモデルと比較して、Fisaleはより柔軟なフレームワークを導入し、固体、流体および結合界面の複雑な力学を反復的に扱う。 Fisaleは、2D、3D、およびさまざまなタスクをカバーする、現実に関連する3つの挑戦的なFSIシナリオを抜粋している。
• 参考スコア（独自算出の注目度）: 20.862974213192988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fluid-solid interaction (FSI) problems are fundamental in many scientific and engineering applications, yet effectively capturing the highly nonlinear two-way interactions remains a significant challenge. Most existing deep learning methods are limited to simplified one-way FSI scenarios, often assuming rigid and static solid to reduce complexity. Even in two-way setups, prevailing approaches struggle to capture dynamic, heterogeneous interactions due to the lack of cross-domain awareness. In this paper, we introduce \textbf{Fisale}, a data-driven framework for handling complex two-way \textbf{FSI} problems. It is inspired by classical numerical methods, namely the Arbitrary Lagrangian-Eulerian (\textbf{ALE}) method and the partitioned coupling algorithm. Fisale explicitly models the coupling interface as a distinct component and leverages multiscale latent ALE grids to provide unified, geometry-aware embeddings across domains. A partitioned coupling module (PCM) further decomposes the problem into structured substeps, enabling progressive modeling of nonlinear interdependencies. Compared to existing models, Fisale introduces a more flexible framework that iteratively handles complex dynamics of solid, fluid and their coupling interface on a unified representation, and enables scalable learning of complex two-way FSI behaviors. Experimentally, Fisale excels in three reality-related challenging FSI scenarios, covering 2D, 3D and various tasks. The code is available at \href{https://github.com/therontau0054/Fisale}.
• Abstract（参考訳）: 流体-固体相互作用(FSI)問題は、多くの科学的・工学的応用において基本的な問題であるが、非常に非線形な双方向相互作用を効果的に捉えることは大きな課題である。 既存のディープラーニング手法の多くは単純化された一方通行のFSIシナリオに限られており、しばしば複雑さを減らすために厳密で静的なソリッドを仮定する。 双方向のセットアップであっても、ドメイン間の認識が欠如しているため、一般的なアプローチは動的で異種なインタラクションを捉えるのに苦労する。 本稿では、複雑な双方向の \textbf{FSI} 問題を扱うためのデータ駆動フレームワークである \textbf{Fisale} を紹介する。 これは古典的な数値法、すなわちArbitrary Lagrangian-Eulerian(\textbf{ALE})法と分割結合アルゴリズムに着想を得たものである。 Fisaleは結合インターフェースを別個のコンポーネントとして明確にモデル化し、マルチスケールの潜在ALEグリッドを活用して、ドメイン間の統合された幾何学的認識の埋め込みを提供する。 分割結合モジュール(PCM)は、さらに問題を構造化されたサブステップに分解し、非線形相互依存性のプログレッシブなモデリングを可能にする。 既存のモデルと比較して、Fisaleはより柔軟なフレームワークを導入し、固体、流体、結合インターフェースの複雑なダイナミクスを統一表現上で反復的に処理し、複雑な双方向FSI動作のスケーラブルな学習を可能にする。 実験的に、Fisaleは2D、3D、および様々なタスクをカバーする、現実に関連する3つの挑戦的なFSIシナリオに優れています。 コードは \href{https://github.com/therontau0054/Fisale} で公開されている。

関連論文リスト

• HGATSolver: A Heterogeneous Graph Attention Solver for Fluid-Structure Interaction [13.302003830989221]
  流体-構造相互作用(FSI)システムは、異なる物理領域、流体と固体を含み、異なる偏微分方程式によって制御され、動的界面で結合される。 学習に基づく解法はコストのかかる数値シミュレーションに代わる有望な代替手段を提供するが、既存の手法は統合されたフレームワーク内でのFSIの不均一なダイナミクスを捉えるのに苦労している。 この課題は、インターフェイス結合によるドメイン間の応答の不整合と、流体と固体領域間の学習困難の相違によりさらに悪化し、予測中に不安定になる。
  論文  参考訳（メタデータ） (2026-01-14T07:38:02Z)
• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• Cross-Field Interface-Aware Neural Operators for Multiphase Flow Simulation [10.347532590928685]
  Interface Information-Aware Neural Operator (IANO) は、インターフェイス情報を物理的事前に明示的に活用し、予測精度を高める新しいフレームワークである。 IANOは、多相流シミュレーションの精度を$sim$10%向上し、データスカースおよびノイズ摂動条件下ではロバスト性を維持している。
  論文  参考訳（メタデータ） (2025-11-09T01:13:40Z)
• Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models [6.403678133359229]
  高次元記録における潜伏力学は、しばしばより小さな有効変数の集合によって特徴づけられる。 ほとんどの機械学習アプローチは、動的一貫性を強制するモデルとともにオートエンコーダをトレーニングすることで、これらのタスクに共同で取り組む。 我々は最近導入されたファンデーション推論モデル(FIM)を利用して2つの問題を分離することを提案する。 半円拡散を合成ビデオデータに埋め込んだ二重井戸系における概念実証は、高速で再利用可能な粗粒化パイプラインに対するこのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2025-10-14T15:17:23Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• Diffusion-Based Hierarchical Graph Neural Networks for Simulating Nonlinear Solid Mechanics [20.95722391593829]
  Rolling Diffusion-Batched Inference Network (ROBIN)は、2つの重要なイノベーションを統合する新しい学習シミュレータである。 ROBINは、ビーム曲げや多体接触のような現象に不可欠な微細な局所力学と大域的な構造効果の両方を捉えている。 幾何学的, 材料的, 接触非線形性を含む2次元および3次元固体力学ベンチマークにおいて, ROBINを検証した。
  論文  参考訳（メタデータ） (2025-06-06T12:46:36Z)
• Unisoma: A Unified Transformer-based Solver for Multi-Solid Systems [21.697159152687288]
  構造化モジュールによる固体変形に影響を及ぼす要因を組み込んだ,新しい明示的モデリングパラダイムを導入する。 具体的には,ソリッドの可変数の処理が可能な統一かつ柔軟なトランスフォーマーモデルであるUnisomaを提案する。 暗黙的なモデリング手法と比較して、明示的なモデリングは多様な結合パターンを持つマルチソリッドシステムに適している。
  論文  参考訳（メタデータ） (2025-06-06T12:12:02Z)
• Learning Fluid-Structure Interaction Dynamics with Physics-Informed Neural Networks and Immersed Boundary Methods [0.39146761527401425]
  物理インフォームドニューラルネットワーク(PINN)は、複雑な流体力学問題を解決するための有望なアプローチとして登場した。 この研究は流体構造相互作用(FSI)問題と移動境界のモデル化という課題に対処する。 我々は,没入境界法(IBM)の原則を取り入れたイノベーティブなEulerian-Lagrangian PINNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-24T07:07:53Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
  画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。 振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。 第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
  論文  参考訳（メタデータ） (2023-08-14T08:23:58Z)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。