論文の概要: MENO: MeanFlow-Enhanced Neural Operators for Dynamical Systems
- arxiv url: http://arxiv.org/abs/2604.06881v1
- Date: Wed, 08 Apr 2026 09:39:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.458919
- Title: MENO: MeanFlow-Enhanced Neural Operators for Dynamical Systems
- Title（参考訳）: MENO:力学系のための平均フロー強化ニューラル演算子
- Authors: Tianyue Yang, Xiao Xue,
- Abstract要約: textbfMeanFlow-textbfEnhanced textbfNeural textbfOperators (MENO)を導入する。
MENOは、物理的忠実さと統計的精度に優れた、小規模の細部と大規模の力学の両方を復元する。
- 参考スコア（独自算出の注目度）: 1.8396059589388676
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Neural operators have emerged as powerful surrogates for dynamical systems due to their grid-invariant properties and computational efficiency. However, the Fourier-based neural operator framework inherently truncates high-frequency components in spectral space, resulting in the loss of small-scale structures and degraded prediction quality at high resolutions when trained on low-resolution data. While diffusion-based enhancement methods can recover multi-scale features, they introduce substantial inference overhead that undermines the efficiency advantage of neural operators. In this work, we introduce \textbf{M}eanFlow-\textbf{E}nhanced \textbf{N}eural \textbf{O}perators (MENO), a novel framework that achieves accurate all-scale predictions with minimal inference cost. By leveraging the improved MeanFlow method, MENO restores both small-scale details and large-scale dynamics with superior physical fidelity and statistical accuracy. We evaluate MENO on three challenging dynamical systems, including phase-field dynamics, 2D Kolmogorov flow, and active matter dynamics, at resolutions up to 256$\times$256. Across all benchmarks, MENO improves the power spectrum density accuracy by up to a factor of 2 compared to baseline neural operators while achieving 12$\times$ faster inference than the state-of-the-art Diffusion Denoising Implicit Model (DDIM)-enhanced counterparts, effectively bridging the gap between accuracy and efficiency. The flexibility and efficiency of MENO position it as an efficient surrogate model for scientific machine learning applications where both statistical integrity and computational efficiency are paramount.
- Abstract（参考訳）: ニューラルネットワークは、グリッド不変の性質と計算効率が原因で、力学系の強力なサロゲートとして登場した。
しかし、フーリエベースのニューラルオペレーターフレームワークは本質的にスペクトル空間の高周波成分を切断し、低解像度データでトレーニングすると、小さな構造が失われ、高解像度で予測品質が劣化する。
拡散に基づく拡張法は、マルチスケールの特徴を回復することができるが、ニューラルネットワークの効率性を損なうかなりの推論オーバーヘッドを導入する。
本稿では,最小の推論コストで正確な全スケール予測を実現する新しいフレームワークである,textbf{M}eanFlow-\textbf{E}nhanced \textbf{N}eural \textbf{O}perators (MENO)を紹介する。
改良されたMeanFlow法を利用することで、MENOはより優れた物理忠実度と統計的精度で、小規模ディテールと大規模ディテールの両方を復元する。
相場力学, 2次元コルモゴロフ流, 活性物質力学を含む3つの挑戦的力学系上で, 256$\times$256の解像度でMENOを評価する。
全てのベンチマークにおいて、MENOはパワースペクトル密度の精度を、ベースラインのニューラル演算子と比較して最大2倍改善し、最先端の拡散デノイングインプリシットモデル(DDIM)よりも12$\times$高速な推論を実現し、精度と効率のギャップを効果的に埋める。
MENOの柔軟性と効率性は、統計的完全性と計算効率の両方が最重要である科学機械学習応用のための効率的な代理モデルとして位置づけている。
関連論文リスト
- Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning [0.0]
本稿では,GNN-MLIPのデータ効率を大幅に向上するトランスファー学習フレームワークであるTransfer-PaiNNを紹介する。
我々は,T-PaiNNの自動調整が気相分子系と凝縮相液水の両方に与える影響を実証した。
例えば、QM9データセットを用いて、低データ状態では最大25倍の誤差低減が観測され、一方、液体水シミュレーションではエネルギー、力、密度、拡散などの実験的特性の予測が改善された。
論文 参考訳（メタデータ） (2026-03-25T19:22:56Z) - MNO: Multiscale Neural Operator for Computational Fluid Dynamics with 3D Point Cloud Data [24.23269287440306]
我々は,非構造化点雲上での計算流体力学(CFD)のための新しいアーキテクチャであるマルチスケールニューラル演算子(MNO)を紹介する。
MNOは、長距離依存のための大域的次元収縮アテンションモジュール、近隣レベルのインタラクションのための局所グラフアテンションモジュール、細かな詳細のためのマイクロポイント・アテンションモジュールの3つの尺度で明確に情報を分解する。
すべてのタスクにおいて、MNOは最先端のベースラインを一貫して上回り、予測エラーを5%から40%削減し、3D CFD問題に挑戦する際の堅牢性を向上した。
論文 参考訳（メタデータ） (2025-10-17T09:01:59Z) - 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) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - DiffFNO: Diffusion Fourier Neural Operator [8.895165270489167]
重み付きフーリエニューラル演算子(WFNO)により強化された任意のスケール超解像のための新しい拡散フレームワークDiffFNOを紹介する。
WFNOにおけるモードリバランシングは、重要な周波数成分を効果的に捕捉し、高周波画像の再現を大幅に改善する。
提案手法は,高精度かつ計算効率の両面において,超解像の新たな標準を定めている。
論文 参考訳（メタデータ） (2024-11-15T03:14:11Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z)
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。