論文の概要: Large-Scale 3D Ground-Motion Synthesis with Physics-Inspired Latent Operator Flow Matching
- arxiv url: http://arxiv.org/abs/2603.17403v1
- Date: Wed, 18 Mar 2026 06:24:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.543913
- Title: Large-Scale 3D Ground-Motion Synthesis with Physics-Inspired Latent Operator Flow Matching
- Title（参考訳）: 物理に着想を得た潜在演算子フローマッチングによる大規模3次元地中移動合成
- Authors: Yaozhong Shi, Grigorios Lavrentiadis, Konstantinos Tsalouchidis, Zachary E. Ross, David McCallen, Caifeng Zou, Kamyar Azizzadenesheli, Domniki Asimaki,
- Abstract要約: Ground-Motion Flow (GMFlow) は、物理に着想を得た潜在演算子フローマッチングフレームワークであり、条件付きパラメータに基づいて、現実的で大規模な地上移動時間を生成する。
GMFlowは、900万以上のグリッドポイントにわたる空間的コヒーレントな地面の動きを秒間に生成し、シミュレーションワークフロー上で1万倍のスピードアップを達成する。
- 参考スコア（独自算出の注目度）: 9.217172808991696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earthquake hazard analysis and design of spatially distributed infrastructure, such as power grids and energy pipeline networks, require scenario-specific ground-motion time histories with realistic frequency content and spatiotemporal coherence. However, producing the large ensembles needed for uncertainty quantification with physics-based simulations is computationally intensive and impractical for engineering workflows. To address this challenge, we introduce Ground-Motion Flow (GMFlow), a physics-inspired latent operator flow matching framework that generates realistic, large-scale regional ground-motion time-histories conditioned on physical parameters. Validated on simulated earthquake scenarios in the San Francisco Bay Area, GMFlow generates spatially coherent ground motion across more than 9 million grid points in seconds, achieving a 10,000-fold speedup over the simulation workflow, which opens a path toward rapid and uncertainty-aware hazard assessment for distributed infrastructure. More broadly, GMFlow advances mesh-agnostic functional generative modeling and could potentially be extended to the synthesis of large-scale spatiotemporal physical fields in diverse scientific domains.
- Abstract（参考訳）: 電力グリッドやエネルギーパイプラインネットワークなどの空間分散インフラの地震危険度解析と設計には、現実的な周波数内容と時空間コヒーレンスを備えたシナリオ固有の地動時間履歴が必要である。
しかし、物理学に基づくシミュレーションによる不確実性定量化に必要な大規模なアンサンブルの生成は、計算集約的で、工学のワークフローには非現実的である。
この課題に対処するために,物理に着想を得た潜在演算子フローマッチングフレームワークであるGround-Motion Flow(GMFlow)を紹介した。
サンフランシスコ湾地域のシミュレートされた地震シナリオで検証されたGMFlowは、900万以上のグリッドポイントにわたる空間的コヒーレントな地上運動を秒間に生成し、シミュレーションワークフローを1万倍のスピードアップし、分散インフラの迅速かつ不確実性を考慮したハザードアセスメントへの道を開く。
より広範に、GMFlowはメッシュに依存しない機能的生成モデリングを推進し、様々な科学的領域における大規模な時空間の物理的分野の合成にまで拡張できる可能性がある。
関連論文リスト
- PEST: Physics-Enhanced Swin Transformer for 3D Turbulence Simulation [19.744829080390165]
直接数値シミュレーション(DNS)は高い忠実度を提供するが、計算は禁じられている。
既存のデータ駆動の代替手段は、安定した長距離ロールアウト、物理的一貫性、小規模構造の忠実なシミュレーションに苦慮している。
本研究では3次元乱流シミュレーションのための物理強化スウィントランス(PEST)を提案する。
論文 参考訳（メタデータ） (2026-02-09T18:37:18Z) - Towards Spatio-Temporal Extrapolation of Phase-Field Simulations with Convolution-Only Neural Networks [0.4104352271917983]
完全に畳み込み、条件付きパラメータ化されたU-Netサロゲートを導入し、空間と時間の両方でトレーニングデータを超えて外挿する。
私たちのフレームワークは最大36,000回のスピードアップも可能で、数週間のシミュレーションの実行時間を数秒に短縮します。
論文 参考訳（メタデータ） (2026-01-08T02:25:14Z) - Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - FR-Mamba: Time-Series Physical Field Reconstruction Based on State Space Model [9.340916033226604]
物理場再構成は、限られたセンサ測定に基づいて物理量の状態分布を予測することを目的としている。
既存のディープラーニングメソッドは、長い時間的・時間的依存関係のキャプチャに失敗することが多い。
状態空間モデリングに基づく新しい流れ場再構成フレームワークFR-Mambaを提案する。
論文 参考訳（メタデータ） (2025-05-21T23:54:36Z) - 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) - 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) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。
提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文 参考訳（メタデータ） (2024-05-31T20:05:17Z) - HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
HelmFluidは流体の正確かつ解釈可能な予測器である。
ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。
HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
論文 参考訳（メタデータ） (2023-10-16T16:38:32Z)
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。