論文の概要: Towards a Foundation-Model Paradigm for Aerodynamic Prediction in Three-dimensional Design

• arxiv url: http://arxiv.org/abs/2604.18062v1
• Date: Mon, 20 Apr 2026 10:33:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.809604
• Title: Towards a Foundation-Model Paradigm for Aerodynamic Prediction in Three-dimensional Design
• Title（参考訳）: 三次元設計における空力予測のための基礎モデルパラダイムに向けて
• Authors: Yunjia Yang, Babak Gholami, Caglar Gurbuz, Mohammad Rashed, Nils Thuerey,
• Abstract要約: 本研究は, 空力設計のための高精度サロゲートモデルの構築手法を紹介する。 TransformerベースのアーキテクチャであるAeroTransformerは、空気力学を学ぶための大規模なトレーニング用に開発、調整されている。 提案手法は表面流予測における0.36%の誤差を達成し,スクラッチからのトレーニングに比べて84.2%削減した。
• 参考スコア（独自算出の注目度）: 19.79086277218628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate machine-learning models for aerodynamic prediction are essential for accelerating shape optimization, yet remain challenging to develop for complex three-dimensional configurations due to the high cost of generating training data. This work introduces a methodology for efficiently constructing accurate surrogate models for design purposes by first pre-training a large-scale model on diverse geometries and then fine-tuning it with a few more detailed task-specific samples. A Transformer-based architecture, AeroTransformer, is developed and tailored for large-scale training to learn aerodynamics. The methodology is evaluated on transonic wings, where the model is pre-trained on SuperWing, a dataset of nearly 30000 samples with broad geometric diversity, and subsequently fine-tuned to handle specific wing shapes perturbed from the Common Research Model. Results show that, with 450 task-specific samples, the proposed methodology achieves 0.36% error on surface-flow prediction, reducing 84.2% compared to training from scratch. The influence of model configurations and training strategies is also systematically studied to provide guidance on effectively training and deploying such models under limited data and computational budgets. To facilitate reuse, we release the datasets and the pre-trained models at https://github.com/tum-pbs/AeroTransformer. An interactive design tool is also built on the pre-trained model and is available online at https://webwing.pbs.cit.tum.de.
• Abstract（参考訳）: 空力予測のための正確な機械学習モデルは、形状最適化の高速化には不可欠であるが、トレーニングデータの生成コストが高いため、複雑な3次元構成の開発は依然として困難である。 本研究は, 多様な測地面上で大規模モデルを事前学習し, より詳細なタスク固有サンプルで微調整することにより, 設計目的の正確なサロゲートモデルを効率的に構築する手法を提案する。 TransformerベースのアーキテクチャであるAeroTransformerは、空気力学を学ぶための大規模なトレーニング用に開発、調整されている。 この手法は超音速翼で評価され、モデルの事前訓練はSuperWingで行われ、これはより広い幾何学的多様性を持つ30000近いサンプルのデータセットであり、その後、コモン・リサーチ・モデルから乱れた特定の翼の形状を扱うために微調整された。 その結果,450のタスク固有サンプルを用いて表面フロー予測において0.36%の誤差を達成し,スクラッチからのトレーニングに比べて84.2%の削減が得られた。 モデル構成とトレーニング戦略の影響も系統的に研究され、限られたデータと計算予算の下で、そのようなモデルを効果的にトレーニングし、デプロイするためのガイダンスを提供する。 再利用を容易にするため、データセットと事前トレーニングされたモデルをhttps://github.com/tum-pbs/AeroTransformer.comでリリースします。 インタラクティブデザインツールも事前トレーニングされたモデル上に構築されており、https://webwing.pbs.cit.tum.de.comで公開されている。

関連論文リスト

• Approximating Language Model Training Data from Weights [70.08614275061689]
  モデル重みからデータ近似の問題を定式化し、いくつかのベースラインとメトリクスを提案する。 そこで我々は,大規模公開テキストコーパスから最高のマッチングデータを選択する勾配に基づく手法を開発した。 真のトレーニングデータがない場合でも、我々の方法では、公開Webドキュメントの小さなサブセットを見つけることができる。
  論文  参考訳（メタデータ） (2025-06-18T15:26:43Z)
• Optimizing ML Training with Metagradient Descent [69.89631748402377]
  モデルトレーニングによる勾配というメタグラディエントを,大規模に効率的に計算するアルゴリズムを導入する。 次に、メタグラディエントを用いた効果的な最適化を可能にする「滑らかなモデルトレーニング」フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-03-17T22:18:24Z)
• Transfer learning in Scalable Graph Neural Network for Improved Physical Simulation [37.1565271299621]
  本稿では,グラフネットワークシミュレータのための事前学習・転送学習パラダイムを提案する。 提案手法により,少量のトレーニングデータを微調整した場合に,モデルの性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-02-07T08:18:23Z)
• Flying Quadrotors in Tight Formations using Learning-based Model Predictive Control [30.715469693232492]
  本研究では、第一原理モデリングとデータ駆動アプローチの利点を組み合わせたフレームワークを提案する。 このモデルを新しい学習ベースの予測モデル制御フレームワークに組み込むことで、性能が大幅に向上することを示す。 また,本フレームワークは,46秒の飛行データのみを用いて,例外的なサンプル効率を実現している。
  論文  参考訳（メタデータ） (2024-10-13T05:03:16Z)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning [10.191783697332227]
  機械学習モデルは、超音速旋回翼流場を迅速に取得する有望な方法を提供する。 モデルを効率的に学習するための物理組込み移動学習フレームワークを提案する。 データセットのサイズを減らすには、ウィングトレーニングサンプルの半分未満は、非トランスファーフレームワークと同じエラーレベルに達する必要がある。
  論文  参考訳（メタデータ） (2024-09-19T12:35:59Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• SO(2)-Equivariant Downwash Models for Close Proximity Flight [6.297269227845377]
  本稿では,この問題に潜伏する測地(対称性)を生かした下水力のモデリングのための,学習に基づく新しいアプローチを提案する。 実世界のフライトデータをわずか5分でトレーニングした場合、我々の幾何学的認識モデルは15分以上のデータでトレーニングされた最先端のベースラインモデルよりも優れていることを実証した。
  論文  参考訳（メタデータ） (2023-05-30T12:27:47Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)

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。