論文の概要: Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD

• arxiv url: http://arxiv.org/abs/2604.18491v2
• Date: Mon, 27 Apr 2026 17:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:06.903169
• Title: Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD
• Title（参考訳）: より高速な設計:エキスパートValidated CFDで訓練されたニューラルサロゲートによるインタラクティブエアロダイナミクス
• Authors: Nicholas Thumiger, Andrea Bartezzaghi, Mattia Rigotti, Cezary Skura, Thomas Frick, Elisa Serioli, Fabrizio Arbucci, A. Cristiano I. Malossi,
• Abstract要約: 計算流体力学(CFD)は、レースカーの空力開発の中心である。 そのコストは、現実的な予算で実現可能な設計スペースの探索を著しく制限する。 新しいAIベースのサロゲートモデルは、このボトルネックを軽減することを約束する。
• 参考スコア（独自算出の注目度）: 7.948688528462053
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Computational Fluid Dynamics (CFD) is central to race-car aerodynamic development, yet its cost -- tens of thousands of core-hours per high-fidelity evaluation -- severely limits the design space exploration feasible within realistic budgets. AI-based surrogate models promise to alleviate this bottleneck, but progress has been constrained by the limited complexity of public datasets, which are dominated by smoothed passenger-car shapes that fail to exercise surrogates on the thin, complex, highly loaded components governing motorsport performance. This work presents three primary contributions. First, we introduce a high-fidelity RANS dataset built on a parametric LMP2-class CAD model and spanning six operating conditions (map points) covering straight-line and cornering regimes, generated and validated by aerodynamics experts at Dallara to preserve features relevant to industrial motorsport. Second, we present the Gauge-Invariant Spectral Transformer (GIST), a graph-based neural operator whose spectral embeddings encode mesh connectivity to enhance predictions on tightly packed, complex geometries. GIST guarantees discretization invariance and scales linearly with mesh size, achieving state-of-the-art accuracy on both public benchmarks and the proposed race-car dataset. Third, we demonstrate that GIST achieves a level of predictive accuracy suitable for early-stage aerodynamic design, providing a first validation of the concept of interactive design-space exploration -- where engineers query a surrogate in place of the CFD solver -- within industrial motorsport workflows.
• Abstract（参考訳）: 計算流体力学(CFD)は、レースカーの空力開発の中心であるが、そのコストは、高忠実度評価において数万コア時間であり、現実的な予算で実現可能な設計空間の探索を著しく制限している。 AIベースのサロゲートモデルは、このボトルネックを軽減することを約束するが、進歩は、モータースポーツのパフォーマンスを管理する、薄く複雑な高負荷のコンポーネント上のサロゲートの運動に失敗するスムーズな乗用車形状によって支配される、パブリックデータセットの限られた複雑さによって制限されている。 この作品には3つの主な貢献がある。 まず,パラメトリックなLMP2クラスCADモデル上に構築された高忠実なRANSデータセットを導入し,ダララの空気力学の専門家が生成・検証し,産業用モータースポーツに関連する特徴を保存した。 第二に、Gauge-Invariant Spectral Transformer(GIST)というグラフベースのニューラルネットワークで、スペクトル埋め込みによってメッシュ接続を符号化し、密に充填された複雑なジオメトリの予測を強化する。 GISTは、離散化の不変性を保証し、メッシュサイズと線形にスケールし、パブリックベンチマークと提案されたレースカーデータセットの両方で最先端の精度を達成する。 第3に,GISTが早期の空力設計に適した予測精度を達成し,CFDソルバの代わりにサロゲートをクエリする対話型設計空間探索のコンセプトを,産業用モータースポーツワークフロー内で初めて検証することを示した。

関連論文リスト

• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace [54.94692733670454]
  ASCENTは、マルチモーダル3D航空機の軌道予測のための軽量トランスフォーマーベースのモデルである。 ドメイン対応の3D座標正規化とパラメータ化予測を統合している。
  論文  参考訳（メタデータ） (2026-03-17T14:16:10Z)
• CarBench: A Comprehensive Benchmark for Neural Surrogates on High-Fidelity 3D Car Aerodynamics [5.362190317243247]
  CarBenchは、大規模な3Dカーエアロダイナミックスに特化した最初の包括的なベンチマークである。 我々は、自動車空力学のための最大の公開データセットであるDrivAerNet++の最先端モデルを評価する。 データ駆動エンジニアリングの進歩を加速するため、ベンチマークフレームワークをオープンソース化しました。
  論文  参考訳（メタデータ） (2025-11-25T21:53:43Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• DrivAerStar: An Industrial-Grade CFD Dataset for Vehicle Aerodynamic Optimization [17.541117004160892]
  計算コストのかかるCFD(Computational Dynamics)シミュレーションは、設計イテレーション毎に数週間生成される。 DrivAerStarは、学術機械学習の研究と産業CFDの実践をブリッジする最初のデータセットであり、自動車開発におけるデータ駆動型空力最適化の新しい標準を確立している。 自動車アプリケーション以外にも、DriivAerStarは、高忠実度物理シミュレーションをAI(Artificial Intelligence)と統合するためのパラダイムをデモしている。
  論文  参考訳（メタデータ） (2025-10-19T14:42:32Z)
• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• DrivAer Transformer: A high-precision and fast prediction method for vehicle aerodynamic drag coefficient based on the DrivAerNet++ dataset [1.184330339427731]
  本研究では、DrivAer Transformerと呼ばれるポイントクラウド学習フレームワークを提案する。 DAT構造はDrivAerNet++データセットを使用しており、産業標準の3D車両形状の高忠実なCFDデータを含んでいる。 この枠組みは車両設計プロセスの加速と開発効率の向上が期待されている。
  論文  参考訳（メタデータ） (2025-04-11T02:50:38Z)
• TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks [27.577307360710545]
  TripNetは3次元の幾何学を固定次元のコンパクトで連続的な特徴マップに暗黙的にエンコードする三面体ベースのニューラルネットワークフレームワークである。 TripNetはDriivAerNetとDriivAerNet++データセットで最先端のパフォーマンスを実現し、ドラッグ係数、表面圧力、フル3Dフローフィールドを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-19T17:30:57Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)

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。