論文の概要: PoreDiT: A Scalable Generative Model for Large-Scale Digital Rock Reconstruction

• arxiv url: http://arxiv.org/abs/2604.10171v1
• Date: Sat, 11 Apr 2026 11:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.888833
• Title: PoreDiT: A Scalable Generative Model for Large-Scale Digital Rock Reconstruction
• Title（参考訳）: PoreDiT:大規模デジタルロック再構築のためのスケーラブルな生成モデル
• Authors: Yizhuo Huang, Baoquan Sun, Haibo Huang,
• Abstract要約: PoreDiTは、ギガボキセルスケールでの高効率デジタルロック再構成のために設計された新しい生成モデルである。 細孔空間の2次確率場を直接予測することにより、このモデルは細孔スケールの流体流動と輸送シミュレーションに不可欠な重要なトポロジ的特徴を保っている。
• 参考スコア（独自算出の注目度）: 3.1899541701942002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This manuscript presents PoreDiT, a novel generative model designed for high-efficiency digital rock reconstruction at gigavoxel scales. Addressing the significant challenges in digital rock physics (DRP), particularly the trade-off between resolution and field-of-view (FOV), and the computational bottlenecks associated with traditional deep learning architectures, PoreDiT leverages a three-dimensional (3D) Swin Transformer to break through these limitations. By directly predicting the binary probability field of pore spaces instead of grayscale intensities, the model preserves key topological features critical for pore-scale fluid flow and transport simulations. This approach enhances computational efficiency, enabling the generation of ultra-large-scale ($1024^3$ voxels) digital rock samples on consumer-grade hardware. Furthermore, PoreDiT achieves physical fidelity comparable to previous state-of-the-art methods, including accurate porosity, pore-scale permeability, and Euler characteristics. The model's ability to scale efficiently opens new avenues for large-domain hydrodynamic simulations and provides practical solutions for researchers in pore-scale fluid mechanics, reservoir characterization, and carbon sequestration.
• Abstract（参考訳）: この写本は、ギガボキセルスケールでの高効率デジタルロック再構築のために設計された、新しい生成モデルであるPoreDiTを提示する。 デジタルロック物理学(DRP)における重要な課題、特に解像度と視野(FOV)のトレードオフ、および従来のディープラーニングアーキテクチャに関連する計算ボトルネックに対処するため、PoreDiTは3次元スウィントランスを利用してこれらの制限を突破する。 このモデルは, 細孔空間の2次確率場を直接予測することにより, 細孔流体流動や輸送シミュレーションに不可欠な重要なトポロジ的特徴を保っている。 このアプローチにより計算効率が向上し、コンシューマグレードハードウェア上での超大規模(1024^3$ボクセル)デジタルロックサンプルの生成が可能になる。 さらに、PoreDiTは、正孔率、孔径透水性、オイラー特性など、従来の最先端手法に匹敵する物理的忠実性を達成している。 モデルが効率的にスケールする能力は、大きなドメインの流体力学シミュレーションのための新しい道を開き、細孔スケールの流体力学、貯水池のキャラクタリゼーション、炭素の隔離の研究者に実用的な解決策を提供する。

関連論文リスト

• Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
  Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-04T16:52:44Z)
• Controlled Latent Diffusion Models for 3D Porous Media Reconstruction [2.61662361742721]
  多孔質媒体の3次元デジタル再構成は、地球科学の根本的な課題である。 本稿では,EDMフレームワーク内で動作する潜伏拡散モデルを用いて,この問題に対処する計算フレームワークを提案する。 提案手法は,バイナリボリュームで訓練されたカスタム変分オートエンコーダを用いて次元性を低減し,効率を向上し,より大きなボリュームの生成を可能にする。
  論文  参考訳（メタデータ） (2025-03-31T13:36:55Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
  我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。 このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。 本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-14T02:58:24Z)
• Constrained Transformer-Based Porous Media Generation to Spatial Distribution of Rock Properties [0.0]
  3次元マイクロ計算トモグラフィーデータの情報に基づく岩石画像の細孔スケールモデリングは複雑な地下過程の研究に不可欠である。 本稿では,ベクトル量子化変分オートエンコーダ(VQVAE)と空間上向きおよび任意の3次元多孔質メディア再構成のためのトランスフォーマモデルを組み合わせた2段階モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-28T19:03:33Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• 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。