論文の概要: Generative modeling of granular flow on inclined planes using conditional flow matching

• arxiv url: http://arxiv.org/abs/2604.04453v1
• Date: Mon, 06 Apr 2026 05:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.110517
• Title: Generative modeling of granular flow on inclined planes using conditional flow matching
• Title（参考訳）: 条件付き流れマッチングを用いた傾斜面上の粒状流れの生成モデル
• Abstract要約: 本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
• 参考スコア（独自算出の注目度）: 4.880426970438706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Granular flows govern many natural and industrial processes, yet their interior kinematics and mechanics remain largely unobservable, as experiments access only boundaries or free surfaces. Conventional numerical simulations are computationally expensive for fast inverse reconstruction, and deterministic models tend to collapse to over-smoothed mean predictions in ill-posed settings. This study, to the best of the authors' knowledge, presents the first conditional flow matching (CFM) framework for granular-flow reconstruction from sparse boundary observations. Trained on high-fidelity particle-resolved discrete element simulations, the generative model is guided at inference by a differentiable forward operator with a sparsity-aware gradient guidance mechanism, which enforces measurement consistency without hyperparameter tuning and prevents unphysical velocity predictions in non-material regions. A physics decoder maps the reconstructed velocity fields to stress states and energy fluctuation quantities, including mean stress, deviatoric stress, and granular temperature. The framework accurately recovers interior flow fields from full observation to only 16% of the informative window, and it remains effective under strongly diluted spatial resolution with only 11% of data. It also outperforms a deterministic CNN baseline in the most ill-posed reconstruction regime and provides spatially resolved uncertainty estimates through ensemble generation. These results demonstrate that conditional generative modeling offers a practical route for non-invasive inference of hidden bulk mechanics in granular media, with broader applicability for inverse problems in particulate and multiphase systems.
• Abstract（参考訳）: 粒状流は多くの自然および工業の過程を支配しているが、その内部キネマティクスや力学はほとんど観測不可能であり、実験は境界や自由表面にしかアクセスできない。 従来の数値シミュレーションは高速な逆復元には計算コストがかかり、決定論的モデルは不適切な設定で過度に滑らかな平均予測に崩壊する傾向にある。 本研究は, 著者の知識を最大限に活用するために, スパース境界観測から粒界再構成を行うための第1条件流整合(CFM)フレームワークを提案する。 高忠実度粒子分解離散要素シミュレーションに基づいて、この生成モデルは、高パラメータチューニングなしで測定一貫性を強制し、非材料領域における非物理的速度予測を防止する、疎性を考慮した勾配誘導機構を備えた微分可能フォワード演算子により、推論時に誘導される。 物理デコーダは、再構成された速度場を平均応力、振動子応力、粒度温度を含む応力状態とエネルギー変動量にマッピングする。 本フレームワークは, 内部流れ場を全観測から情報窓の16%まで正確に復元し, 11%のデータしか持たない, 強い希釈空間分解能の下でも有効である。 また、最も不適切な再建体制において決定論的CNNベースラインを上回り、アンサンブル生成による空間的に解決された不確実性推定を提供する。 これらの結果から, 条件付き生成モデリングは, 粒状媒体における非侵襲的バルク力学推定の実用的な方法であり, 粒子・多相系における逆問題に適用可能であることが示された。

関連論文リスト

• Improving Reduced-Order Rotating Detonation Engine Models with Data Assimilation and Machine Learning [2.225353152447347]
  1次元コッホ・クッツモデルのような低次モデルでは波動の動きを捉えるが、高周波コンテンツに対する表現性が欠如している。 連続データ同化(ニュジング)を用いて,Koch-Kutzソルバと処理された高忠実度温度データとを同期させる。 強度が増大するにつれて、縮小されたモデルが高忠実度軌道に徐々に描画される。
  論文  参考訳（メタデータ） (2026-09-14T19:05:23Z)
• A Shortcut to Statistically Steady-State Turbulence with Flow Matching [18.320829792574738]
  本稿では,5次元位相空間におけるジャイロ運動乱流の定常統計を直接推定する潜在生成モデルであるGyroFlowを紹介する。 生成品質を評価するために,事前学習されたジャイロキネティックモデルの潜在空間で計算された分布計量FGyDを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:58:13Z)
• High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications [3.8347851078346427]
  本研究は, 加圧水型原子炉における高忠実度計算流体力学(CFD)および組立レベル流動特性評価のためのデータ駆動モデリングフレームワークを提案する。 ポンプ誘起スワール境界条件による過渡的シミュレーションを可能にするために, 一般に利用可能な幾何学的条件と操作条件を用いて, フルロープルおよびコア・インレット領域を構築した。 その結果, コールドレッグスワールおよびロウアープレナム輸送は, 特に下部コア付近において, 組立方向のインレットフロー分布を強く均一に生成することがわかった。 3次元畳み込み型塗装モデルによる部分観察による組立レベル質量流量の復元に成功した
  論文  参考訳（メタデータ） (2026-05-23T22:50:23Z)
• Physics-Informed Generative Solver: Bridging Data-Driven Priors and Conservation Laws for Stable Spatiotemporal Field Reconstruction [19.98127585683643]
  物理インフォームド・ジェネレーティブ・ソルバを導入し、安定した事前学習と保存法の推論時適用を分離する。 音響学において、この方法はスパースセンサーから圧力と粒子速度を共同生成し、空間エイリアスを抑制する高密度仮想アレイを可能にする。 同じ枠組みは、現実世界のERA5気象分野に極端に広い範囲で一般化する。
  論文  参考訳（メタデータ） (2026-05-21T11:24:48Z)
• Physics-informed reservoir characterization from bulk and extreme pressure events with a differentiable simulator [42.95123707634075]
  本稿では,ニューラルネットワークのトレーニングに直接,微分可能な地下流れシミュレータを組み込む物理インフォームド機械学習手法を提案する。 ネットワークは、限られた圧力観測から不均一な透水性場を推定する一方、トレーニングはシミュレータを通しての透水性と減圧の両方を最小化し、物理的一貫性を強制する。 提案手法は, リアルタイム貯水池のキャラクタリゼーションとリスク認識による意思決定のために, 高速かつ物理一貫性のある地下インバージョンを実現する。
  論文  参考訳（メタデータ） (2026-04-14T20:52:45Z)
• Nowcast3D: Reliable precipitation nowcasting via gray-box learning [43.74533335638689]
  極端降水は高次元の忠実度とリードタイムを要求されるが、既存のアプローチは限られている。 我々は、レーダの動きと、データ駆動学習を伴う物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全な3時間放送フレームワークを導入する。 このフレームワークは、160人の気象学者によるブラインド評価において、より正確な3時間のリードタイムを達成する。
  論文  参考訳（メタデータ） (2025-11-06T18:44:35Z)
• Physically consistent and uncertainty-aware learning of spatiotemporal dynamics [44.27000400517127]
  物理制約を強制する物理一貫性ニューラル演算子(PCNO)を導入する。 PCNO内の物理一貫性プロジェクション層は、フーリエ空間における質量運動量保存を効率的に計算する。 また,拡散一貫性モデルを用いて不確実性を定量化し定量化するDiffPCNOを提案する。
  論文  参考訳（メタデータ） (2025-10-23T22:17:21Z)
• Differential-Integral Neural Operator for Long-Term Turbulence Forecasting [43.04613533979613]
  textbfunderlineDifferential-textbfunderlineIntegral textbfunderlineNeural textbfunderlineOperator (method) メソッドは、異なる物理演算子を学習する並列分岐による乱流進化を明示的にモデル化する。 数百のタイムステップにわたる誤差の蓄積をうまく抑制し、渦場とエネルギースペクトルの両方において高い忠実性を維持し、物理的に一貫した長距離乱流予測のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-09-25T14:08:26Z)
• Physics-informed neural networks for hidden boundary detection and flow field reconstruction [0.0]
  本研究では,静的あるいは運動する固体境界の存在,形状,運動を推定する物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 このフレームワークは、圧縮不能なNavier-Stokesや圧縮可能なEulerフローなど、さまざまなシナリオで検証されている。 提案手法はロバスト性および汎用性を示し,実験データや数値データしか利用できない場合の応用の可能性を強調した。
  論文  参考訳（メタデータ） (2025-03-31T13:30:46Z)
• TAUDiff: Highly efficient kilometer-scale downscaling using generative diffusion models [0.0]
  急激なターンアラウンド、ダイナミックな一貫性、極端な気象イベントの正確な時間的回復を達成することが不可欠である。 本稿では, 平均フィールドダウンスケーリングにおける決定論的時間モデルと, より小さな生成的拡散モデルを組み合わせて, 微細な特徴を再現する効率的な拡散モデルTAUDiffを提案する。 当社のアプローチは、関連するリスクや経済損失を見積もるために必要となる極端な事象を、より迅速にシミュレーションすることができる。
  論文  参考訳（メタデータ） (2024-12-18T09:05:19Z)
• Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
  移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。 従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。 本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T01:36:48Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• Ensemble models outperform single model uncertainties and predictions for operator-learning of hypersonic flows [43.148818844265236]
  限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。 高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。 我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
  論文  参考訳（メタデータ） (2023-10-31T18:07:29Z)
• Particle clustering in turbulence: Prediction of spatial and statistical properties with deep learning [6.91821181311687]
  等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。 我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。 以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-05T15:46:28Z)

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。