論文の概要: Pretrained Video Models as Differentiable Physics Simulators for Urban Wind Flows

• arxiv url: http://arxiv.org/abs/2603.21210v1
• Date: Sun, 22 Mar 2026 13:08:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.294486
• Title: Pretrained Video Models as Differentiable Physics Simulators for Urban Wind Flows
• Title（参考訳）: 都市風流の微分物理シミュレータとしての事前学習映像モデル
• Authors: Janne Perini, Rafael Bischof, Moab Arar, Ayça Duran, Michael A. Kraus, Siddhartha Mishra, Bernd Bickel,
• Abstract要約: WinDiNetは事前訓練されたビデオ拡散モデルであり、このタスクの高速で微分可能なサロゲートとして再利用される。 我々は、手続き的に生成された建築レイアウトに対して、1万の2次元非圧縮性CFDシミュレーションを微調整する。 シュロゲートはエンドツーエンドで微分可能であるため、勾配に基づく逆最適化のための物理シミュレータとして二重化される。
• 参考スコア（独自算出の注目度）: 19.138046381683456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing urban spaces that provide pedestrian wind comfort and safety requires time-resolved Computational Fluid Dynamics (CFD) simulations, but their current computational cost makes extensive design exploration impractical. We introduce WinDiNet (Wind Diffusion Network), a pretrained video diffusion model that is repurposed as a fast, differentiable surrogate for this task. Starting from LTX-Video, a 2B-parameter latent video transformer, we fine-tune on 10,000 2D incompressible CFD simulations over procedurally generated building layouts. A systematic study of training regimes, conditioning mechanisms, and VAE adaptation strategies, including a physics-informed decoder loss, identifies a configuration that outperforms purpose-built neural PDE solvers. The resulting model generates full 112-frame rollouts in under a second. As the surrogate is end-to-end differentiable, it doubles as a physics simulator for gradient-based inverse optimization: given an urban footprint layout, we optimize building positions directly through backpropagation to improve wind safety as well as pedestrian wind comfort. Experiments on single- and multi-inlet layouts show that the optimizer discovers effective layouts even under challenging multi-objective configurations, with all improvements confirmed by ground-truth CFD simulations.
• Abstract（参考訳）: 歩行者の風の快適さと安全性を提供する都市空間の設計には、時間分解型計算流体力学(CFD)シミュレーションが必要であるが、現在の計算コストは大規模な設計探索を非現実的にしている。 我々は,WinDiNet(Wind Diffusion Network)を紹介した。 2BパラメトリックラテントビデオトランスであるLTX-Videoを皮切りに、手続き的に生成された建物レイアウトに対する1万2D非圧縮CFDシミュレーションを微調整した。 物理インフォームドデコーダ損失を含むトレーニング体制、条件付け機構、VAE適応戦略の体系的研究は、目的に構築されたニューラルPDEソルバよりも優れた構成を特定する。 結果は112フレームのロールアウトを1秒未満で生成する。 このサロゲートはエンド・ツー・エンドの微分可能であるため、勾配に基づく逆最適化のための物理シミュレータとして二重化され、都市のフットプリントレイアウトを考慮し、バックプロパゲーションを通じて建物位置を直接最適化し、風の安全性と歩行者の風の快適性を向上させる。 シングル・シングル・シングル・シングル・シングル・インレットのレイアウト実験により, 複数目的の設定に挑戦する場合でも, 効率的なレイアウトを最適化者が発見できることが判明した。

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)
• FastPhysGS: Accelerating Physics-based Dynamic 3DGS Simulation via Interior Completion and Adaptive Optimization [56.17833729527066]
  我々は物理に基づく動的3DGSシミュレーションのためのフレームワークであるFastPhysGSを提案する。 FastPhysGSは、わずか7GBのランタイムメモリを使用して、1分で高忠実度物理シミュレーションを実現する。
  論文  参考訳（メタデータ） (2026-02-02T07:00:42Z)
• VAE-REPA: Variational Autoencoder Representation Alignment for Efficient Diffusion Training [53.09658039757408]
  本稿では,効率的な拡散訓練のための軽量な固有ガイダンスフレームワークである textbfnamex を提案する。 nameは、拡散トランスフォーマーの中間潜時特徴を、軽量なプロジェクション層を介してVAE特徴と整列し、特徴アライメントロスによって教師される。 実験により、バニラ拡散変圧器と比較して、名称が生成品質とトレーニング収束速度の両方を改善することが示された。
  論文  参考訳（メタデータ） (2026-01-25T13:22:38Z)
• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• PDE-Transformer: Efficient and Versatile Transformers for Physics Simulations [23.196500975208302]
  PDE-Transformerは、正規格子上の物理シミュレーションの代理モデリングのための改良されたトランスフォーマーベースのアーキテクチャである。 提案アーキテクチャは16種類のPDEの大規模データセット上で,コンピュータビジョンのための最先端のトランスフォーマーアーキテクチャより優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-30T15:39:54Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• 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)
• Neural Multigrid Memory For Computational Fluid Dynamics [13.36209460135302]
  本稿では, 乱流シミュレーションのためのデータ駆動手法を提案する。 本稿では,ビデオ予測変換器(VPTR)とマルチグリッドアーキテクチャの長所を組み合わせた手法を提案する。 その結果,計算効率を保ちながら,他のベースラインよりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-06-21T20:19:57Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。