論文の概要: Signal-Aware Conditional Diffusion Surrogates for Transonic Wing Pressure Prediction

• arxiv url: http://arxiv.org/abs/2604.11263v1
• Date: Mon, 13 Apr 2026 10:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.469983
• Title: Signal-Aware Conditional Diffusion Surrogates for Transonic Wing Pressure Prediction
• Title（参考訳）: 音速翼圧力予測のための信号対応条件拡散サロゲート
• Abstract要約: 本研究は,NASAコモン・リサーチ・モデル翼の表面圧力を予測するための条件付き拡散確率モデルを提案する。 拡散過程を通じて再構成損失を伝播させることにより、信号認識訓練目標を導出する。 定式化では, 平均絶対誤差を低減し, 吸込ピーク, 衝撃構造, 制御面の不連続性の再構築を改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate and efficient surrogate models for aerodynamic surface pressure fields are essential for accelerating aircraft design and analysis, yet deterministic regressors trained with pointwise losses often smooth sharp nonlinear features. This work presents a conditional denoising diffusion probabilistic model for predicting surface pressure distributions on the NASA Common Research Model wing under varying conditions of Mach number, angle of attack, and four control surface deflections. The framework operates on unstructured surface data through a principal component representation used as a non-truncated, reversible linear reparameterization of the pressure field, enabling a fully connected architecture. A signal-aware training objective is derived by propagating a reconstruction loss through the diffusion process, yielding a timestep-dependent weighting that improves fidelity in regions with strong pressure gradients. The stochastic sampling process is analyzed through repeated conditional generations, and two diagnostic metrics are introduced, the Local Reliability Index and Global Reliability Index, to relate sampling-induced spread to reconstruction error. Relative to the considered deterministic baselines, the proposed formulation reduces mean absolute error and improves the reconstruction of suction peaks, shock structures, and control surface discontinuities. The sampling-induced spread exhibits strong correspondence with surrogate error, supporting its interpretation as a qualitative reliability indicator rather than calibrated uncertainty quantification.
• Abstract（参考訳）: 航空機の設計と解析を加速するためには、空気力学的表面圧力場のための高精度で効率的なシュロゲートモデルが不可欠であるが、ポイントワイズで訓練された決定論的回帰器は、しばしば滑らかな鋭い非線形特徴を持つ。 本研究は、マッハ数、攻撃角、および4つの制御面偏向の異なる条件下で、NASAコモン・リサーチ・モデル翼の表面圧力分布を予測するための条件付き拡散確率モデルを提案する。 このフレームワークは、非トランケートで可逆な圧力場の線形パラメータ化として使用される主成分表現を通じて、非構造化表面データを演算し、完全に接続されたアーキテクチャを実現する。 拡散過程を通じて再構成損失を伝播させ、強い圧力勾配を有する領域の忠実度を向上させるための時間に依存した重み付けを与える。 確率的サンプリングプロセスは、繰り返し条件付き世代を通して分析され、2つの診断指標である局所信頼性指標(Local Reliability Index)とグローバル信頼性指標(Global Reliability Index)が導入された。 定式化では, 平均絶対誤差を低減し, 吸込ピーク, 衝撃構造, 制御面の不連続性の再構築を改善する。 サンプリングによって引き起こされたスプレッドは、サロゲート誤差と強い対応を示し、不確実性定量化を校正するよりも、質的信頼性指標としての解釈を支持する。

関連論文リスト

• Variational Parameter Calibration with Physics-Aware Latent-Space Surrogates [3.5829219417440368]
  本稿では,物理を意識したニューラルネットワークに基づく遅延空間フレームワークについて紹介する。 提案したオートエンコーダに基づくアプローチは,物理パラメータを潜在表現によって予測された流れ場にマッピングする,微分可能なサロゲートを与える。
  論文  参考訳（メタデータ） (2026-08-11T21:02:31Z)
• Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities [0.0]
  本稿では,衛星ベースの拡張システムのための電離層モデリングにより,共分散ブーストガウス過程(CBGP)フレームワークを提案する。 CBGPモデルの有効性とロバスト性は、シミュレーションと実世界の両方のアプリケーションのサンプル外テストによって実証される。 南アメリカ上空の広範囲な電離圏嵐データセットのモデリングは、SBASの電離圏補正を計算する正確で信頼性の高い手段を示唆している。
  論文  参考訳（メタデータ） (2026-07-25T03:24:04Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference [12.531769483039405]
  本稿では,有向非巡回グラフを組み込んだ因果符号化拡散フレームワークを提案する。 得られたサンプリング器は、観測分布をほぼ復元し、介入サンプリングを可能にする。 フローデータへの適用は,提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2026-04-23T16:32:49Z)
• 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)
• On Stability and Robustness of Diffusion Posterior Sampling for Bayesian Inverse Problems [42.76879947185353]
  拡散に基づく解法は、生成過程を導くために、BIPにおける観測が想定される可能性に依存する。 このギャップを後部近似誤差を特徴付けることにより橋渡しし,拡散型解法のエンハンスタビリティを実証する。 本稿では, 既存の勾配型後方サンプリング装置と互換性があり, イントロバスト拡散後サンプリング法を提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:47:15Z)
• Machine learning assisted state prediction of misspecified linear dynamical system via modal reduction [0.0]
  固定されたパラメータを持つパラメトリックモデルは、幾何学、物質的挙動、減衰、境界条件の単純化による重要な物理的効果を省略することが多い。 本研究は、高次元有限要素に基づく構造力学系におけるMFE推定と補正のための包括的枠組みを導入する。 計算的トラクタビリティを確保するため、FEシステムは縮小されたモーダルベースに投影され、メッシュ不変のニューラルネットワークは、モーダル状態を不一致推定にマッピングする。
  論文  参考訳（メタデータ） (2026-01-08T10:14:27Z)
• AODDiff: Probabilistic Reconstruction of Aerosol Optical Depth via Diffusion-based Bayesian Inference [12.981319326856495]
  AODDiffは拡散に基づく推論に基づく確率的再構成フレームワークである。 タスク固有の再トレーニングを必要とせずに、様々な再構築タスクに柔軟に適応することができる。 生成モデルとして、AODDiffは本質的に複数の空間的品質サンプリングによる不確実なサンプリングを可能にし、下流アプリケーションに重要な信頼性指標を提供する。
  論文  参考訳（メタデータ） (2025-12-31T13:16:10Z)
• AERMANI-Diffusion: Regime-Conditioned Diffusion for Dynamics Learning in Aerial Manipulators [2.376629619475859]
  空力マニピュレータは、慣性結合力と空力の迅速かつ構成に依存した変化を行う。 条件付き拡散プロセスと軽量時間エンコーダを用いて残留力の完全な分布をモデル化する状態条件拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T16:10:32Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements [0.0]
  本稿では,低次グステンカウンタ流場と昇降係数をスパース・ノイズ表面圧力測定から再構成する新しい機械学習フレームワークを提案する。 本研究では,センサのガス-空気相互作用に対する応答の時間変化を徹底的に検討し,センサ配置に関する貴重な知見を明らかにする。
  論文  参考訳（メタデータ） (2025-01-06T22:02:06Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。