論文の概要: GeoFunFlow-3D: A Physics-Guided Generative Flow Matching Framework for High-Fidelity 3D Aerodynamic Inference over Complex Geometries
- arxiv url: http://arxiv.org/abs/2604.23350v1
- Date: Sat, 25 Apr 2026 15:24:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.289111
- Title: GeoFunFlow-3D: A Physics-Guided Generative Flow Matching Framework for High-Fidelity 3D Aerodynamic Inference over Complex Geometries
- Title（参考訳）: GeoFunFlow-3D:複素測地上の高密度3次元空力推論のための物理誘導型生成フローマッチングフレームワーク
- Authors: Ruiling Jiang, Yong Zhang, Houbiao Li,
- Abstract要約: GeoFunFlow-3Dは物理誘導型生成フローマッチングフレームワークである。
我々は、勾配剛性を低減するために、自動微分(No-AD)のない高次離散エンジンを導入する。
NASA Rotor37のテストでは、3Dの分離された衝撃構造を正確に捉えた。
- 参考スコア（独自算出の注目度）: 5.068156424858535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep generative models and neural operators have demonstrated significant potential for 3D aerodynamic inference. However, they often face inherent challenges in maintaining physical consistency and preserving high-frequency features, primarily due to spectral bias and gradient conflicts within the governing equations. To address these issues, we propose GeoFunFlow-3D, a physics-guided generative flow matching framework. Temporally, we utilize optimal transport theory to build the generation path, ensuring stable training dynamics. Spectrally, we introduce a high-order discrete engine without automatic differentiation (No-AD) to reduce gradient stiffness. Spatially, a topology-aware super-resolution module (SATO) is employed to rigorously enforce physical laws in localized regions such as shock waves. We evaluated our framework on complex industrial datasets. On the BlendedNet dataset, the model successfully avoids mode collapse even under sparse data conditions. For the NASA Rotor37 test, it accurately captures 3D detached shock structures. Compared to conventional operators, GeoFunFlow-3D significantly improves accuracy, reducing the pressure field error (RRMSE) to 0.0215 while maintaining competitive inference efficiency. Ultimately, this work provides a reliable, geometry-driven approach for generating high-dimensional fluid fields.
- Abstract（参考訳）: 深部生成モデルとニューラル演算子は3次元空気力学推論に有意な可能性を証明している。
しかし、それらはしばしば、物理的整合性を維持し、高周波の特徴を保存するという固有の課題に直面している。
これらの問題に対処するため,物理誘導型生成フローマッチングフレームワークGeoFunFlow-3Dを提案する。
時折、我々は最適な輸送理論を利用して生成経路を構築し、安定した訓練力学を保証する。
偏微分のない高次離散エンジン (No-AD) を導入し, 勾配剛性を低減した。
空間的には、衝撃波のような局所的な領域で物理法則を厳格に強制するために、位相対応超解法モジュール(SATO)が用いられる。
複雑な産業データセットの枠組みを評価した。
BlendedNetデータセットでは、スパースなデータ条件下であっても、モード崩壊をうまく回避できる。
NASA Rotor37のテストでは、3Dの分離された衝撃構造を正確に捉えた。
従来の演算子と比較して、GeoFunFlow-3Dは精度を大幅に向上し、圧力場誤差(RRMSE)を0.0215に削減し、競合推論効率を維持した。
最終的に、この研究は高次元流体場を生成するための信頼性のある幾何駆動のアプローチを提供する。
関連論文リスト
- Attention-Guided Flow-Matching for Sparse 3D Geological Generation [7.734651455015875]
3D-GeoFlowは、スパースマルチモーダルな地質モデリングに適した最初のアテンションガイド型連続フローマッチングフレームワークである。
離散カテゴリー生成をシミュレーションのない連続ベクトル場回帰として再構成することにより、安定な決定論的最適輸送経路を確立する。
この枠組みを検証するため,2200件の手続き的に生成された3次元地質事例からなる大規模マルチモーダルデータセットをキュレートした。
論文 参考訳（メタデータ） (2026-04-07T07:02:53Z) - Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation [3.697746606429496]
本研究では,過渡表面温度測定から材料特性を定量的に再現する物理フレームワークを提案する。
NeFTYは、3次元微分場を厳密な数値解法によって最適化された連続神経場としてパラメータ化する。
提案手法は,高分解能3次元トモグラフィに必要なメモリ効率を維持しつつ,熱力学的法則をハード制約として適用する。
論文 参考訳（メタデータ） (2026-03-11T17:59:42Z) - 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) - Robust Mesh Saliency GT Acquisition in VR via View Cone Sampling and Geometric Smoothing [59.12032628787018]
バーチャルリアリティー(VR)における人中心視覚モデリングには3次元メッシュサリエンシ基底真理が不可欠である
現在のVRアイトラッキングパイプラインは、単一線サンプリングとユークリッドのスムース化に依存しており、テクスチャの注意を喚起し、ギャップをまたいだ信号の漏洩を引き起こす。
本稿では,これらの制約に対処する頑健な枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-06T05:20:12Z) - EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale [15.20548942455541]
EddyFormerはTransformerベースの大規模乱流シミュレーションのためのスペクトル要素アーキテクチャである。
DNSレベルの精度を2563の解像度で達成し、DNSの30倍のスピードアップを提供する。
物理不変量-エネルギースペクトル、相関関数、構造関数-振れ領域一般化の精度を保っている。
論文 参考訳（メタデータ） (2025-10-28T08:27:37Z) - GeoAda: Efficiently Finetune Geometric Diffusion Models with Equivariant Adapters [61.51810815162003]
制御された生成タスクに対してフレキシブルかつパラメータ効率の良い微調整を可能にするSE(3)-equivariant Adapter framework(GeoAda)を提案する。
GeoAdaは、過剰適合と破滅的な忘れを緩和しながら、モデルの幾何的一貫性を保っている。
我々は、フレーム制御、グローバル制御、サブグラフ制御、広範囲のアプリケーションドメインを含む多様な幾何学的制御タイプにまたがるGeoAdaの適用性を実証する。
論文 参考訳（メタデータ） (2025-07-02T18:44:03Z) - Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。
FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。
業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2025-02-06T18:57:57Z) - Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。
提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。
顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
論文 参考訳（メタデータ） (2024-07-29T11:48:44Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z)
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。