論文の概要: Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer

• arxiv url: http://arxiv.org/abs/2603.17532v1
• Date: Wed, 18 Mar 2026 09:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.611518
• Title: Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer
• Title（参考訳）: ハイブリッドCNN変換器を用いた物理インフォームドプログレッシブトランス学習による多孔質媒体組織からの異方性透過性テンソル予測
• Authors: Mohammad Nooraiepour,
• Abstract要約: 細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate prediction of permeability tensors from pore-scale microstructure images is essential for subsurface flow modeling, yet direct numerical simulation requires hours per sample, fundamentally limiting large-scale uncertainty quantification and reservoir optimization workflows. A physics-informed deep learning framework is presented that resolves this bottleneck by combining a MaxViT hybrid CNN-Transformer architecture with progressive transfer learning and differentiable physical constraints. MaxViT's multi-axis attention mechanism simultaneously resolves grain-scale pore-throat geometry via block-local operations and REV-scale connectivity statistics through grid-global operations, providing the spatial hierarchy that permeability tensor prediction physically requires. Training on 20000 synthetic porous media samples spanning three orders of magnitude in permeability, a three-phase progressive curriculum advances from an ImageNet-pretrained baseline with D4-equivariant augmentation and tensor transformation, through component-weighted loss prioritizing off-diagonal coupling, to frozen-backbone transfer learning with porosity conditioning via Feature-wise Linear Modulation (FiLM). Onsager reciprocity and positive definiteness are enforced via differentiable penalty terms. On a held-out test set of 4000 samples, the framework achieves variance-weighted R2 = 0.9960 (R2_Kxx = 0.9967, R2_Kxy = 0.9758), a 33% reduction in unexplained variance over the supervised baseline. The results offer three transferable principles for physics-informed scientific machine learning: large-scale visual pretraining transfers effectively across domain boundaries; physical constraints are most robustly integrated as differentiable architectural components; and progressive training guided by diagnostic failure-mode analysis enables unambiguous attribution of performance gains across methodological stages.
• Abstract（参考訳）: 細孔構造画像からの透過性テンソルの正確な予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を必要とし、大規模な不確実性定量化と貯水池最適化のワークフローを根本的に制限する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。 MaxViTの多軸アテンション機構はブロックローカル演算とグリッドグローバル演算によるREVスケール接続統計を同時に解決し、物理的にテンソルの透過性を予測する空間的階層を提供する。 浸透度が3桁の合成多孔質媒質試料のトレーニングでは,D4-等変量増大とテンソル変換を併用したImageNet-pretrained baselineから,外対角結合を優先した成分重み付き損失から,特徴量線形変調(FiLM)によるポロシティ条件付き冷凍バックボーン転写学習まで,3段階のプログレッシブカリキュラムが進められた。 オンサガーの相反性と正の定性は、差別可能なペナルティ条件によって強制される。 4000サンプルの保持されたテストセットにおいて、このフレームワークは分散重み付きR2 = 0.9960 (R2_Kxx = 0.9967, R2_Kxy = 0.9758) を達成する。 物理インフォームド・サイエンス・機械学習には3つの伝達可能な原則がある: 領域の境界を越えて効果的に大規模な視覚的事前訓練の伝達、物理的制約は最も堅牢に、微分可能なアーキテクチャコンポーネントとして統合され、診断障害モード分析によって導かれる進歩的トレーニングは、方法論的な段階におけるパフォーマンス向上の曖昧な帰結を可能にする。

関連論文リスト

• Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
  Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-04T16:52:44Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows [2.7233737247962786]
  MRPARCv2は、対流拡散反応方程式の構造を埋め込んで複雑な流れをモデル化するように設計されている。 The Well Multi-physicsベンチマークレポジトリの2次元乱流放射層データセットを用いて,そのモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-12-04T16:19:10Z)
• Predictive Feature Caching for Training-free Acceleration of Molecular Geometry Generation [67.20779609022108]
  フローマッチングモデルは、高忠実度分子ジオメトリを生成するが、推論中にかなりの計算コストを発生させる。 本研究は,分子幾何生成を加速する学習自由キャッシング戦略について論じる。 GEOM-Drugsデータセットの実験は、キャッシングがウォールクロックの推測時間の2倍の削減を実現することを示した。
  論文  参考訳（メタデータ） (2025-10-06T09:49:14Z)
• Hybrid Two-Stage Reconstruction of Multiscale Subsurface Flow with Physics-informed Residual Connected Neural Operator [6.1607662231604445]
  本稿では,マルチスケール基底関数と物理誘導深層学習を用いてDarcyフロー問題を解決するハイブリッド2段階フレームワークを提案する。 このフレームワークは、基底関数の嵌合と圧力再構成の点で0.9以上のR2値を達成し、残差指標は10-4$のオーダーである。
  論文  参考訳（メタデータ） (2025-01-22T23:28:03Z)
• Non-asymptotic Convergence of Training Transformers for Next-token Prediction [48.9399496805422]
  トランスフォーマーは、シーケンシャルなデータを扱う優れた能力のために、現代の機械学習において驚くべき成功を収めています。 本稿では, 単層変圧器のトレーニング力学の微細な非漸近解析を行う。 トレーニングされたトランスフォーマーは,データセットシフトによる非トーケン予測能力を示すことを示す。
  論文  参考訳（メタデータ） (2024-09-25T20:22:06Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)

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。