論文の概要: Non-intrusive Learning of Physics-Informed Spatio-temporal Surrogate for Accelerating Design

• arxiv url: http://arxiv.org/abs/2604.14424v1
• Date: Wed, 15 Apr 2026 21:13:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.611646
• Title: Non-intrusive Learning of Physics-Informed Spatio-temporal Surrogate for Accelerating Design
• Title（参考訳）: 加速設計のための物理インフォーム付き時空間サロゲートの非侵入学習
• Authors: Sudeepta Mondal, Soumalya Sarkar,
• Abstract要約: 物理インフォームド・テンポラル・サロゲート・モデリング(PITM)フレームワークを提案する。 我々は,シリンダーまわりの2次元非可換流れという,関心のボトルネックに関する枠組みを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most practical engineering design problems involve nonlinear spatio-temporal dynamical systems. Multi-physics simulations are often performed to capture the fine spatio-temporal scales which govern the evolution of these systems. However, these simulations are often high-fidelity in nature, and can be computationally very expensive. Hence, generating data from these expensive simulations becomes a bottleneck in an end-to-end engineering design process. Spatio-temporal surrogate modeling of these dynamical systems has been a popular data-driven solution to tackle this computational bottleneck. This is because accurate machine learning models emulating the dynamical systems can be orders of magnitude faster than the actual simulations. However, one key limitation of purely data-driven approaches is their lack of generalizability to inputs outside the training distribution. In this paper, we propose a physics-informed spatio-temporal surrogate modeling (PISTM) framework constrained by the physics of the underlying dynamical system. The framework leverages state-of-the-art advancements in the field of Koopman autoencoders to learn the underlying spatio-temporal dynamics in a non-intrusive manner, coupled with a spatio-temporal surrogate model which predicts the behavior of the Koopman operator in a specified time window for unknown operating conditions. We evaluate our framework on a prototypical fluid flow problem of interest: two-dimensional incompressible flow around a cylinder.
• Abstract（参考訳）: ほとんどの実用工学設計問題は非線形時空間力学システムを含む。 マルチ物理シミュレーションは、これらのシステムの進化を左右する微細な時空間スケールを捉えるためにしばしば行われる。 しかしながら、これらのシミュレーションは自然界においてしばしば高忠実であり、計算的に非常に高価である。 したがって、これらの高価なシミュレーションからデータを生成することは、エンドツーエンドのエンジニアリング設計プロセスにおいてボトルネックとなる。 これらの力学系の時空間サロゲートモデリングは、この計算ボトルネックに対処するための一般的なデータ駆動型ソリューションである。 これは、力学系をエミュレートする正確な機械学習モデルは、実際のシミュレーションよりも桁違いに高速であるためである。 しかし、純粋にデータ駆動アプローチの1つの重要な制限は、トレーニング分布外の入力に対する一般化性の欠如である。 本稿では,物理インフォームド時空間サロゲートモデリング(PISTM)フレームワークを提案する。 このフレームワークは、クープマンオートエンコーダの分野における最先端の進歩を活用して、未知の操作条件の特定の時間窓におけるクープマン作用素の挙動を予測する時空間代理モデルと組み合わせて、非侵襲的な方法で時空間時空間力学を学習する。 本研究では,シリンダーまわりの2次元非圧縮性流れの原型流体流動問題に関する枠組みを考察した。

関連論文リスト

• From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
  ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。 微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
  論文  参考訳（メタデータ） (2025-12-01T11:47:49Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Flow Matching for Geometric Trajectory Simulation [4.271235935891555]
  N体系は、分子動力学、生化学、歩行者動力学など幅広い分野の応用において基本的な問題である。 機械学習は、物理ベースのシミュレータをスケールし、実験データから直接モデルを開発する上で、貴重なツールとなっている。 現実的な軌跡を生成するためには、既存の手法は、非情報ノイズから始まる複雑な変換を学習し、ドメインインフォームド先行の活用を許さない必要がある。 本稿では,この制限に対処するためにSTFlowを提案する。フローマッチングとデータ依存結合を利用して,モデル表現率やスケーラビリティを犠牲にすることなく,幾何学的軌道の物理インフォームドシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2025-05-24T11:18:59Z)
• Smooth and Sparse Latent Dynamics in Operator Learning with Jerk Regularization [1.621267003497711]
  本稿では,圧縮された潜在空間の学習にジャッジ正規化を組み込んだ連続演算子学習フレームワークを提案する。 このフレームワークは、任意の所望の空間的あるいは時間的解像度での推論を可能にする。 この枠組みの有効性は、ナヴィエ・ストークス方程式によって支配される二次元非定常流問題によって証明される。
  論文  参考訳（メタデータ） (2024-02-23T22:38:45Z)
• Rethinking materials simulations: Blending direct numerical simulations with neural operators [1.6874375111244329]
  そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。 物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-08T23:44:54Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Physics-aware, probabilistic model order reduction with guaranteed stability [0.0]
  実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。 粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
  論文  参考訳（メタデータ） (2021-01-14T19:16:51Z)
• Accelerating Simulation of Stiff Nonlinear Systems using Continuous-Time Echo State Networks [1.1545092788508224]
  本研究では, 非線形常微分方程式の代用格子を動的に生成するデータ駆動手法を提案する。 加熱システムの物理的に動機付けられたスケーラブルなモデル上で,CTESNを用いたほぼ一定時間の性能を実証的に実証した。
  論文  参考訳（メタデータ） (2020-10-07T17:40:06Z)

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。