論文の概要: Anchored-Branched Steady-state WInd Flow Transformer (AB-SWIFT): a metamodel for 3D atmospheric flow in urban environments

• arxiv url: http://arxiv.org/abs/2603.25635v1
• Date: Thu, 26 Mar 2026 16:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.386398
• Title: Anchored-Branched Steady-state WInd Flow Transformer (AB-SWIFT): a metamodel for 3D atmospheric flow in urban environments
• Title（参考訳）: Anchored-Branched Steady-State WInd Flow Transformer (AB-SWIFT):都市環境における3次元大気流のメタモデル
• Authors: Armand de Villeroché, Rem-Sophia Mouradi, Vincent Le Guen, Sibo Cheng, Marc Bocquet, Alban Farchi, Patrick Armand, Patrick Massin,
• Abstract要約: 本研究では, 内部分岐構造を持つ変圧器モデルである Anchored Branched Steady-state WInd Flow Transformer (AB-SWIFT) を紹介する。 我々のモデルは、最先端のトランスフォーマーやグラフベースのモデルと比較して、予測されたすべてのフィールドで最高の精度に達する。
• 参考スコア（独自算出の注目度）: 5.254567635692465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air flow modeling at a local scale is essential for applications such as pollutant dispersion modeling or wind farm modeling. To circumvent costly Computational Fluid Dynamics (CFD) computations, deep learning surrogate models have recently emerged as promising alternatives. However, in the context of urban air flow, deep learning models struggle to adapt to the high variations of the urban geometry and to large mesh sizes. To tackle these challenges, we introduce Anchored Branched Steady-state WInd Flow Transformer (AB-SWIFT), a transformer-based model with an internal branched structure uniquely designed for atmospheric flow modeling. We train our model on a specially designed database of atmospheric simulations around randomised urban geometries and with a mixture of unstable, neutral, and stable atmospheric stratifications. Our model reaches the best accuracy on all predicted fields compared to state-of-the-art transformers and graph-based models. Our code and data is available at https://github.com/cerea-daml/abswift.
• Abstract（参考訳）: 局所的なスケールでの気流モデリングは、汚染物質分散モデルや風力発電モデルといった応用に不可欠である。 高価な計算流体力学(CFD)計算を回避するため、ディープラーニングサロゲートモデルは近年、有望な代替手段として登場している。 しかし、都市気流の文脈では、深層学習モデルは都市形状や大きなメッシュサイズに適応するのに苦労する。 これらの課題に対処するために,大気流モデリングに特有に設計された内部分岐構造を持つ変圧器モデルであるAnchored Branched Steady-State WInd Flow Transformer (AB-SWIFT)を導入する。 我々は、ランダム化した都市地形に関する大気シミュレーションのデータベースを特別に設計し、不安定、中性、安定な大気成層を混合して訓練する。 我々のモデルは、最先端のトランスフォーマーやグラフベースのモデルと比較して、予測されたすべてのフィールドで最高の精度に達する。 私たちのコードとデータはhttps://github.com/cerea-daml/abswift.comで公開されています。

関連論文リスト

• Generative Urban Flow Modeling: From Geometry to Airflow with Graph Diffusion [3.461887736192436]
  本研究では,非構造メッシュ上の定常都市風場を合成するための生成拡散フレームワークを提案する。 このフレームワークは階層的なグラフニューラルネットワークとスコアに基づく拡散モデリングを組み合わせて、正確で多様な速度場を生成する。
  論文  参考訳（メタデータ） (2025-12-09T16:44:58Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Not-So-Optimal Transport Flows for 3D Point Cloud Generation [58.164908756416615]
  3次元点雲の生成モデルの学習は、3次元点雲の生成学習における根本的な問題の1つである。 本稿では,最近提案された同変OTフローを解析し,点ベース分子データに対する置換不変な生成モデルを学習する。 提案手法は, 広範囲な非条件生成および形状完備化において, 拡散および流動に基づく事前アプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-18T02:37:34Z)
• Jet: A Modern Transformer-Based Normalizing Flow [62.2573739835562]
  本稿では,結合型正規化フローモデルの設計を再考する。 よりシンプルなアーキテクチャで、最先端の定量的、質的なパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-12-19T18:09:42Z)
• Koopman-Based Surrogate Modelling of Turbulent Rayleigh-Bénard Convection [4.248022697109535]
  我々は,LRAN(Linear Recurrent Autoencoder Network)と呼ばれるクープマンにインスパイアされたアーキテクチャを用いて,対流中の低次ダイナミクスを学習する。 従来の流体力学法であるKernel Dynamic Mode Decomposition (KDMD)を用いてLRANを比較する。 我々は,最も乱流条件下では,KDMDよりもLRANの方が正確な予測値を得た。
  論文  参考訳（メタデータ） (2024-05-10T12:15:02Z)
• From Zero to Turbulence: Generative Modeling for 3D Flow Simulation [45.626346087828765]
  本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。 生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
  論文  参考訳（メタデータ） (2023-05-29T18:20:28Z)
• Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
  流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。 この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。 我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
  論文  参考訳（メタデータ） (2022-10-29T23:05:39Z)
• Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
  本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。 提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。 そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
  論文  参考訳（メタデータ） (2022-07-20T17:09:16Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)

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。