論文の概要: A solver-in-the-loop framework for end-to-end differentiable coastal hydrodynamics

• arxiv url: http://arxiv.org/abs/2604.07129v1
• Date: Wed, 08 Apr 2026 14:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.580848
• Title: A solver-in-the-loop framework for end-to-end differentiable coastal hydrodynamics
• Title（参考訳）: エンド・ツー・エンドの微分可能な沿岸流体力学のためのソルバ・イン・ザ・ループの枠組み
• Authors: Elsa Cardoso-Bihlo, Alex Bihlo,
• Abstract要約: 深度積分された非定常浅水方程式に基づいて, 微分可能な流体力学解法である AegirJAX を紹介する。 AegirJAX は連続計算グラフとしてタイムマーチング物理ループを扱う。 我々は、科学的な機械学習タスクのスイートでフレームワークの汎用性を実証する。
• 参考スコア（独自算出の注目度）: 4.010598744735379
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerical simulation of wave propagation and run-up is a cornerstone of coastal engineering and tsunami hazard assessment. However, applying these forward models to inverse problems, such as bathymetry estimation, source inversion, and structural optimization, remains notoriously difficult due to the rigidity and high computational cost of deriving discrete adjoints. In this paper, we introduce AegirJAX, a fully differentiable hydrodynamic solver based on the depth-integrated, non-hydrostatic shallow-water equations. By implementing the solver entirely within a reverse-mode automatic differentiation framework, AegirJAX treats the time-marching physics loop as a continuous computational graph. We demonstrate the framework's versatility across a suite of scientific machine learning tasks: (1) discovering regime-specific neural corrections for model misspecifications in highly dispersive wave propagation; (2) performing continuous topology optimization for breakwater design; (3) training recurrent neural networks in-the-loop for active wave cancellation; and (4) inverting hidden bathymetry and submarine landslide kinematics directly from downstream sensor data. The proposed differentiable paradigm fundamentally blurs the line between forward simulation and inverse optimization, offering a unified, end-to-end framework for coastal hydrodynamics.
• Abstract（参考訳）: 波動伝搬とランアップの数値シミュレーションは,沿岸工学と津波危険度評価の基盤となる。 しかし、これらのフォワードモデルを適用して、入浴量推定、ソースインバージョン、構造最適化といった逆問題に応用することは、離散随伴を導出する剛性と高い計算コストのため、いまだに難しい。 本稿では,深度積分された非静水浅水式に基づく,完全に微分可能な流体力学解法であるAegirJAXについて紹介する。 AegirJAXは、逆モードの自動微分フレームワークで完全に解法を実装することにより、連続的な計算グラフとしてタイムマーチング物理ループを扱います。 本研究では,(1)高分散波動伝播におけるモデル不特定性に対する状態特異的なニューラル補正の発見,(2)ブレークウォーター設計のための連続トポロジー最適化の実施,(3)アクティブ波動キャンセルのためのループ内リカレントニューラルネットワークのトレーニング,(4)下流センサデータから直接隠れた潜水量計と海底地すべりキネマティクスを逆転させること,といった一連の科学的機械学習タスクにおけるフレームワークの汎用性を実証する。 提案された微分可能パラダイムは、フォワードシミュレーションと逆最適化の境界を根本的に曖昧にし、沿岸流体力学のための統一されたエンドツーエンドのフレームワークを提供する。

関連論文リスト

• Floating-Body Hydrodynamic Neural Networks [8.501171043928354]
  本研究では, 方向付加質量, ドラッグ係数, 流路関数に基づく流れなどの解釈可能なパラメータを予測し, 解析的な運動方程式と結合する物理構造フレームワークを提案する。 ハミルトンニューラルネットワークやラグランジアンニューラルネットワークと比較して、FHNNは、ブラックボックス学習と透明システム識別のギャップを埋める解釈可能性を維持しながら、散逸ダイナミクスをより効果的に扱う。
  論文  参考訳（メタデータ） (2025-09-17T07:51:35Z)
• Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
  本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。 多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。 その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
  論文  参考訳（メタデータ） (2025-07-24T11:02:13Z)
• Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences [1.740114131842074]
  正確な船舶軌道予測は、航行安全、経路最適化、交通管理、捜索・救助活動、自律航法に不可欠である。 従来のデータ駆動モデルは現実世界の物理的な制約を欠いているため、船体の運動力学に反する予測が導かれる。 本稿では, 血管運動の流線形運動モデルとニューラルネットワーク学習プロセスを統合した, 軌道予測のための物理情報ニューラルネットワーク (PINN) 手法を提案する。
  論文  参考訳（メタデータ） (2025-05-22T15:09:25Z)
• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
  近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。 本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
  論文  参考訳（メタデータ） (2025-03-19T09:10:43Z)
• Improving Pseudo-Time Stepping Convergence for CFD Simulations With Neural Networks [44.99833362998488]
  ナビエ・ストークス方程式は、非常に非線形な振る舞いを示す。 ナヴィエ・ストークス方程式の離散化による非線形方程式の系はニュートン法のような非線形反復法を用いて解くことができる。 本稿では, 非線形収束を改善するために擬似過渡継続法を用いる。
  論文  参考訳（メタデータ） (2023-10-10T15:45:19Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Deep Random Vortex Method for Simulation and Inference of Navier-Stokes Equations [69.5454078868963]
  ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。 AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。 本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
  論文  参考訳（メタデータ） (2022-06-20T04:58:09Z)
• Fast Aquatic Swimmer Optimization with Differentiable Projective Dynamics and Neural Network Hydrodynamic Models [23.480913364381664]
  水面移動(Aquatic locomotion)は、生物学者や技術者が関心を持つ古典的な流体構造相互作用(FSI)問題である。 本研究では, 変形可能なスイマーの固体構造に対する2次元数値シミュレーションを組み合わせた, FSI に完全微分可能な新しいハイブリッド手法を提案する。 2次元キャランギフォームスイマーにおけるハイブリッドシミュレータの計算効率と微分性を示す。
  論文  参考訳（メタデータ） (2022-03-30T15:21:44Z)
• Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
  流体シミュレーションにおける神経常微分方程式の利用について検討する。 テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。 本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
  論文  参考訳（メタデータ） (2021-04-22T19:20:47Z)

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。