論文の概要: FlowRefiner: Flow Matching-Based Iterative Refinement for 3D Turbulent Flow Simulation
- arxiv url: http://arxiv.org/abs/2604.17149v2
- Date: Sat, 25 Apr 2026 03:55:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 19:29:41.873522
- Title: FlowRefiner: Flow Matching-Based Iterative Refinement for 3D Turbulent Flow Simulation
- Title（参考訳）: FlowRefiner:3次元乱流シミュレーションのためのフローマッチングに基づく反復リファインメント
- Authors: Yilong Dai, Yiming Sun, Yiheng Chen, Shengyu Chen, Xiaowei Jia, Runlong Yu,
- Abstract要約: FlowRefinerは3次元乱流シミュレーションのためのフローマッチングに基づく反復精製フレームワークである。
提案手法は, 科学的モデリングにおける反復的改良問題に適用可能である。
- 参考スコア（独自算出の注目度）: 22.1793816007531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate autoregressive prediction of 3D turbulent flows remains challenging for neural PDE solvers, as small errors in fine-scale structures can accumulate rapidly over rollout. In this paper, we propose FlowRefiner, a flow matching-based iterative refinement framework for 3D turbulent flow simulation. The method replaces stochastic denoising refinement with deterministic ODE-based correction, uses a unified velocity-field regression objective across all refinement stages, and introduces a decoupled sigma schedule that fixes the noise range independently of refinement depth. These design choices yield stable and effective refinement in the small-noise regime. Experiments on large-scale 3D turbulence with rich multi-scale structures show that FlowRefiner achieves state-of-the-art autoregressive prediction accuracy and strong physical consistency. Although developed for turbulent flow simulation, the proposed framework is broadly applicable to iterative refinement problems in scientific modeling.
- Abstract（参考訳）: 3次元乱流の正確な自己回帰予測は、大規模構造物の小さな誤差がロールアウト時に急速に蓄積できるため、ニューラルPDEソルバにとって依然として困難である。
本稿では,3次元乱流シミュレーションのためのフローマッチングに基づく反復精製フレームワークであるFlowRefinerを提案する。
本手法は、確率的復調補正を決定論的ODEに基づく補正に置き換え、全精細段階にわたる統一的な速度場回帰目標を用いて、精細深さとは無関係にノイズ範囲を修正できる分離されたシグマスケジュールを導入する。
これらの設計選択は、小さなノイズ体制において安定的で効果的な改善をもたらす。
リッチなマルチスケール構造を持つ大規模3次元乱流実験により、FlowRefinerは最先端の自己回帰予測精度と強い物理的整合性を達成することが示された。
乱流シミュレーションのために開発されたが、提案手法は科学モデリングにおける反復的洗練問題に広く適用可能である。
関連論文リスト
- PEST: Physics-Enhanced Swin Transformer for 3D Turbulence Simulation [19.744829080390165]
直接数値シミュレーション(DNS)は高い忠実度を提供するが、計算は禁じられている。
既存のデータ駆動の代替手段は、安定した長距離ロールアウト、物理的一貫性、小規模構造の忠実なシミュレーションに苦慮している。
本研究では3次元乱流シミュレーションのための物理強化スウィントランス(PEST)を提案する。
論文 参考訳（メタデータ） (2026-02-09T18:37:18Z) - Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。
学習力学をさらに強化するために,平均速度損失を導入する。
シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2025-10-02T11:32:00Z) - 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) - CoNFiLD-inlet: Synthetic Turbulence Inflow Using Generative Latent Diffusion Models with Neural Fields [7.646019826936172]
渦解流乱流シミュレーションは、複雑なマルチスケールの乱流構造を正確に再現する流入条件を必要とする。
従来のリサイクルベースの手法は計算コストのかかるシミュレーションに頼っているが、既存の合成インフロージェネレータは乱流の現実的なコヒーレント構造を再現できないことが多い。
本稿では, 遅延空間を統合し, 現実的な流入乱流を生成する新しいDLベースインフロージェネレータであるCoNFiLD-inletを提案する。
論文 参考訳（メタデータ） (2024-11-21T18:13:03Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - From Zero to Turbulence: Generative Modeling for 3D Flow Simulation [45.626346087828765]
本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。
生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
論文 参考訳（メタデータ） (2023-05-29T18:20:28Z) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳（メタデータ） (2021-11-26T18:59:56Z) - Multi-fidelity Generative Deep Learning Turbulent Flows [0.0]
計算流体力学では、精度と計算コストの間に必然的なトレードオフがある。
本研究では,高忠実度乱流場の代理モデルとして,新しい多自由度深部生成モデルを提案する。
結果として生じるサロゲートは、物理的に正確な乱流実現を、高忠実度シミュレーションのそれよりも低い計算コストで生成することができる。
論文 参考訳（メタデータ） (2020-06-08T16:37:48Z)
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。