論文の概要: One Scale at a Time: Scale-Autoregressive Modeling for Fluid Flow Distributions

• arxiv url: http://arxiv.org/abs/2604.11403v1
• Date: Mon, 13 Apr 2026 12:44:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.538467
• Title: One Scale at a Time: Scale-Autoregressive Modeling for Fluid Flow Distributions
• Title（参考訳）: 一度に1つのスケール:流体分布のスケール・オートレグレッシブ・モデリング
• Authors: Mario Lino, Nils Thuerey,
• Abstract要約: 本稿では,非構造メッシュ上の流れを粗大から微少に階層的にサンプリングするためのスケール・オート回帰モデリング(SAR)を提案する。 これは、最先端拡散モデルよりも分布誤差が著しく低く、サンプルごとの精度が高い。
• 参考スコア（独自算出の注目度）: 26.06889184077997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analyzing unsteady fluid flows often requires access to the full distribution of possible temporal states, yet conventional PDE solvers are computationally prohibitive and learned time-stepping surrogates quickly accumulate error over long rollouts. Generative models avoid compounding error by sampling states independently, but diffusion and flow-matching methods, while accurate, are limited by the cost of many evaluations over the entire mesh. We introduce scale-autoregressive modeling (SAR) for sampling flows on unstructured meshes hierarchically from coarse to fine: it first generates a low-resolution field, then refines it by progressively sampling higher resolutions conditioned on coarser predictions. This coarse-to-fine factorization improves efficiency by concentrating computation at coarser scales, where uncertainty is greatest, while requiring fewer steps at finer scales. Across unsteady-flow benchmarks of varying complexity, SAR attains substantially lower distributional error and higher per-sample accuracy than state-of-the-art diffusion models based on multi-scale GNNs, while matching or surpassing a flow-matching Transolver (a linear-time transformer) yet running 2-7x faster than this depending on the task. Overall, SAR provides a practical tool for fast and accurate estimation of statistical flow quantities (e.g., turbulent kinetic energy and two-point correlations) in real-world settings.
• Abstract（参考訳）: 非定常流体の解析は時相状態の完全な分布へのアクセスを必要とすることが多いが、従来のPDE解法は計算的に禁止されており、学習時間ステッピングサロゲートは長時間のロールアウトで即座にエラーを蓄積する。 生成モデルでは, 分離状態のサンプリングによる複合誤差は回避されるが, 拡散法と流速マッチング法は正確ではあるが, メッシュ全体の多くの評価コストによって制限される。 本稿では,非構造メッシュ上の流れを粗く階層的にサンプリングするスケール・オート回帰モデリング(SAR)を導入し,まず低分解能場を生成し,その後,粗い予測を条件とした高分解能を段階的にサンプリングすることで改善する。 この粗い因数分解は、不確実性が最大となる粗いスケールでの計算を集中させることで効率を向上し、より細かいスケールでのステップを少なくする。 様々な複雑さの非定常フローベンチマークにおいて、SARはマルチスケールのGNNに基づく最先端の拡散モデルよりも分布誤差とサンプル毎の精度を著しく低くし、一方、フローマッチングトランスオーバー(線形時間変換器)をマッチングまたは超過し、タスクによっては2～7倍高速に動作させる。 全体として、SARは実世界における統計フロー量(例えば、乱流運動エネルギーと2点相関)を高速かつ正確に推定する実用的なツールを提供する。

関連論文リスト

• Temporal Pair Consistency for Variance-Reduced Flow Matching [13.328987133593154]
  TPC(Temporal Pair Consistency)は、同じ確率経路に沿ってペア化された時間ステップで速度予測を結合する軽量な分散還元原理である。 フローマッチング内で確立されたTPCは、複数の解像度でCIFAR-10とImageNetのサンプル品質と効率を改善する。
  論文  参考訳（メタデータ） (2026-02-04T00:05:21Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• FreqFlow: Long-term forecasting using lightweight flow matching [3.5235875824926346]
  本稿では、周波数領域における条件付きフローマッチングを利用して決定論的MSS予測を行う新しいフレームワークであるFreqFlowを紹介する。 FreqFlowは予測問題をスペクトル領域に変換し、振幅と位相シフトをモデル化する。 実世界のトラフィック速度、ボリューム、フローデータセットに関する実験は、FreqFlowが最先端の予測性能を達成することを実証している。
  論文  参考訳（メタデータ） (2025-11-20T14:50:13Z)
• QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution [53.13952833016505]
  実世界のビデオ超解像(VSR)のための低ビット量子化モデルを提案する。 キャリブレーションデータセットを用いて各レイヤの空間的および時間的複雑さを計測する。 我々はFPおよび低ビット分岐を改良し、同時最適化を実現する。
  論文  参考訳（メタデータ） (2025-08-06T14:35:59Z)
• Rectified Flows for Fast Multiscale Fluid Flow Modeling [11.597597438962026]
  時間依存速度場を学習する修正フローフレームワークを提案する。 我々の手法は、各統合ステップをより効果的にし、わずか8ステップで済むようにします。 マルチスケール・フロー・ベンチマーク実験により, 整流流は拡散モデルと同じ後部分布を回復することが示された。
  論文  参考訳（メタデータ） (2025-06-03T17:40:39Z)
• Gaussian Mixture Flow Matching Models [63.092956669059824]
  拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。 離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。 本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T17:59:42Z)
• Stochastic Flow Matching for Resolving Small-Scale Physics [28.25905372253442]
  気象などの物理科学では、超解答の小さな詳細が大きな課題となっている。 入力を潜在基底分布に符号化し、次いでフローマッチングを行い、小規模物理を生成する。 我々は現実世界のCWA気象データセットとPDEベースのコルモゴロフ気象データセットの両方について広範な実験を行った。
  論文  参考訳（メタデータ） (2024-10-17T21:09:13Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)

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。