論文の概要: AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction

• arxiv url: http://arxiv.org/abs/2604.13369v1
• Date: Wed, 15 Apr 2026 00:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.336492
• Title: AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction
• Title（参考訳）: AeTHERON:流体-構造相互作用のための自己回帰トポロジー対応不均質グラフ演算子ネットワーク
• Authors: Sushrut Kumar,
• Abstract要約: AeTHERONは共有高次元潜在空間における非線形流体-構造結合を学習する。 AeTHERONは、大規模渦トポロジーとウェイク構造を定性的忠実度で捉えている。 推論には1つのGPUで1時間に1ミリ秒かかるが、同等のDNS計算では数時間かかる。
• 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: Surrogate modeling of body-driven fluid flows where immersed moving boundaries couple structural dynamics to chaotic, unsteady fluid phenomena remains a fundamental challenge for both computational physics and machine learning. We present AeTHERON, a heterogeneous graph neural operator whose architecture directly mirrors the structure of the sharp-interface immersed boundary method (IBM): a dual-graph representation separating fluid and structural domains, coupled through sparse cross-attention that reflects the compact support of IBM interpolation stencils. This physics-informed inductive bias enables AeTHERON to learn nonlinear fluid-structure coupling in a shared high-dimensional latent space, with continuous sinusoidal time embeddings providing temporal generalization across lead times. We evaluate AeTHERON on direct numerical simulations of a flapping flexible caudal fin, a canonical FSI benchmark featuring leading-edge vortex formation, large membrane deformation, and chaotic wake shedding across a 4x5 parameter grid of membrane thickness (h* = 0.01-0.04) and Strouhal number (St = 0.30-0.50). As a proof-of-concept, we train on the first 150 timesteps of a representative case using a 70/30 train/validation split and evaluate on the fully unseen extrapolation window t=150-200. AeTHERON captures large-scale vortex topology and wake structure with qualitative fidelity, achieving a mean extrapolation MAE of 0.168 without retraining, with error peaking near flapping half-cycle transitions where flow reorganization is most rapid -- a physically interpretable pattern consistent with the nonlinear fluid-membrane coupling. Inference requires milliseconds per timestep on a single GPU versus hours for equivalent DNS computation. This is a continuously developing preprint; results and figures will be updated in subsequent versions.
• Abstract（参考訳）: 運動境界を浸漬した物体駆動流体の代理モデリングは、構造力学とカオス的な非定常流体現象を混在させるが、計算物理学と機械学習の双方にとって根本的な課題である。 AeTHERONという異種グラフニューラル演算子のアーキテクチャは, 流体と構造ドメインを分離した二重グラフ表現であり, IBM補間ステンシルのコンパクトな支持を反映した疎交差アテンションによって結合される。 この物理インフォームドインダクティブバイアスにより、Aetheronは、リード時間にわたって時間的一般化をもたらす連続した正弦波時間埋め込みを用いて、共有高次元潜在空間における非線形流体構造結合を学習することができる。 AeTHERONは, 先端渦形成, 大膜変形, 4x5パラメータ格子(h* = 0.01-0.04)とストローハル数(St = 0.30-0.50)を横切るカオスウェイクシーディングを含む標準FSIベンチマーク, フレッピングフレキシブルカダルフィンの直接数値シミュレーションで評価した。 概念実証として,70/30列車/バリデーションスプリットを用いて代表事例の最初の150タイムステップを訓練し,完全に見えない外挿窓t=150-200で評価する。 AeTHERONは、大規模な渦トポロジーとウェイク構造を定性的忠実さで捉え、リトレーニングなしで0.168の平均補間MAEを達成する。 推論には1つのGPUで1時間に1ミリ秒かかるが、同等のDNS計算では数時間かかる。 これは継続的な事前印刷であり、結果と数字はその後のバージョンで更新される。

関連論文リスト

• Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability [6.370970195988317]
  高度原子炉のリアルタイム監視制御には、プラント全体の熱水和状態の正確な予測が必要である。 物理インフォームドメッセージパス型微分ニューラルネットワークとニューラル正規方程式(GNN-ODE)を提案する。 GNN-ODEサロゲートはシステムダイナミクス予測に満足な結果が得られる。
  論文  参考訳（メタデータ） (2026-04-08T16:58:14Z)
• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• HFNO: an interpretable data-driven decomposition strategy for turbulent flows [0.0]
  乱流の低次モデリングに適した新しいFNOアーキテクチャを提案する。 提案したアーキテクチャは、波数ビンを並列に処理し、分散関係と非線形相互作用の近似を可能にする。 より複雑な力学系における提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2025-11-03T12:57:19Z)
• Diffusion-Based Hierarchical Graph Neural Networks for Simulating Nonlinear Solid Mechanics [20.95722391593829]
  Rolling Diffusion-Batched Inference Network (ROBIN)は、2つの重要なイノベーションを統合する新しい学習シミュレータである。 ROBINは、ビーム曲げや多体接触のような現象に不可欠な微細な局所力学と大域的な構造効果の両方を捉えている。 幾何学的, 材料的, 接触非線形性を含む2次元および3次元固体力学ベンチマークにおいて, ROBINを検証した。
  論文  参考訳（メタデータ） (2025-06-06T12:46:36Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Predicting fluid-structure interaction with graph neural networks [13.567118450260178]
  本稿では,流体-構造相互作用系の低次モデリングのための回転同変準モノリシックグラフニューラルネットワークフレームワークを提案する。 有限要素インスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。 提案するフレームワークは,インターフェース記述をトラッキングし,少なくとも2000時間のロールアウト時に,安定かつ正確なシステム状態予測を提供する。
  論文  参考訳（メタデータ） (2022-10-09T07:42:23Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。