論文の概要: RETO: A Rotary-Enhanced Transformer Operator for High-Fidelity Prediction of Automotive Aerodynamics

• arxiv url: http://arxiv.org/abs/2605.00062v2
• Date: Thu, 07 May 2026 07:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.286478
• Title: RETO: A Rotary-Enhanced Transformer Operator for High-Fidelity Prediction of Automotive Aerodynamics
• Title（参考訳）: RETO:自動車空力の高精度予測のためのロータリー強化変圧器演算子
• Authors: Bojun Zhang, Huiyu Yang, Yunpeng Wang, Yuntian Chen, Yuanwei Bin, Rikui Zhang, Jianchun Wang,
• Abstract要約: 本稿では,二段階空間認識機構を備えたニューラルソルバを提案する。 回転エンハンス変換演算子(RETO)はShapeNetとDrivAerMLデータセット上で検証される。 AB-UBTの表面圧力と速度誤差は 0.102 と 0.124 であり、RegDGCNN は 0.235 と 0.312 である。
• 参考スコア（独自算出の注目度）: 8.003602893483466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid aerodynamic evaluation is crucial for modern vehicle design, yet existing neural operators struggle to capture intricate spatial correlations. We propose the rotary-enhanced transformer operator (RETO), a novel neural solver featuring a dual-stage spatial awareness mechanism: sinusoidal-cosine encodings for global referencing and rotary positional encodings (RoPE) for relative displacements. RoPE encodes spatial relations via unitary rotations, enforcing translation invariance and enhancing local gradient resolution. RETO is validated on ShapeNet and the high-fidelity DrivAerML benchmark. On ShapeNet, RETO achieves a relative $L_2$ error of 0.063, outperforming RegDGCNN at 0.125 and representing a 16\% improvement over the Transolver baseline, which yields an error of 0.075. These performance gains are further amplified on the DrivAerML dataset, where RETO achieves relative $L_2$ errors of 0.089 for surface pressure and 0.097 for velocity. In comparison, Transolver results in errors of 0.116 and 0.121 for the same metrics, indicating that RETO achieves precision enhancements of 23\% and 19\%, respectively. For comprehensive comparison, the surface pressure and velocity errors for AB-UBT are 0.102 and 0.124, while RegDGCNN yields 0.235 and 0.312, respectively. Information-theoretical analysis shows that the entropy peak of RETO at 0.35 is significantly lower than that of Transolver at 0.75 under $10^4$ resolution, indicating a focused attentional mechanism capable of preserving localized gradients against global diffusion.
• Abstract（参考訳）: 高速空力評価は近代的な車両設計において重要であるが、既存のニューラルオペレーターは複雑な空間的相関を捉えるのに苦労している。 本稿では,2段空間認識機構を備えたニューラルソルバである回転エンハンス変換演算子(RETO)を提案する。 RoPEは、一元回転による空間関係を符号化し、翻訳不変性を強制し、局所勾配分解能を高める。 RETOはShapeNetとDrivAerMLベンチマークで検証されている。 ShapeNetでは、RETOは0.063の相対的な$L_2$エラーを達成し、RegDGCNNを0.125で上回り、Transolverベースラインよりも16倍改善した。 これらの性能向上はDrivAerMLデータセットでさらに増幅され、RETOは表面圧力が0.089、速度が0.097の相対的な$L_2$エラーを達成している。 比較すると、Transolverは同じ測定値に対して0.116と0.121の誤差があり、RETOがそれぞれ23\%と19\%の精度向上を達成したことを示している。 AB-UBTの表面圧力と速度誤差は 0.102 と 0.124 であり、RegDGCNN は 0.235 と 0.312 である。 情報理論解析により、RETOの0.35のエントロピーピークは、Transolverの0.75よりも10^4$の解像度でかなり低く、グローバル拡散に対する局所的な勾配を保存できる集中的な注意機構が示される。

関連論文リスト

• GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation [3.2245472558257315]
  ウェアラブル慣性測定から連続筋活性化エンベロープを再構築する適応型IMU-to-EMG学習フレームワークを提案する。 結果は、注意に基づくアーキテクチャと軽量適応を併用して、直接EMGセンシングに代わる実用的でスケーラブルな代替品としてサポートしている。
  論文  参考訳（メタデータ） (2026-04-28T14:02:54Z)
• Universally Empowering Zeroth-Order Optimization via Adaptive Layer-wise Sampling [43.822941944402544]
  ゼロ階最適化は、微調整された大規模言語モデルのための有望なメモリ効率のパラダイムを提供する。 しかし,壁面収差の緩やかな収束と高い推定分散により,その実用化は厳しく制約されている。 本稿では,適応層型ZO最適化フレームワークであるAdaLeZOを提案する。
  論文  参考訳（メタデータ） (2026-04-20T13:37:31Z)
• Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
  本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。 また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。 AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-01-29T09:16:05Z)
• Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization [6.908972852063454]
  時間的行動の局所化は、正確な境界検出と計算効率の両方を必要とする。 我々は、境界距離回帰(BDR)と適応時間制限(ATR)という2つの補完的なイノベーションを通じてこの問題に対処する。 THUMOS14では、ActionFormer++ (55.7% mAP@0.7 at 235G) よりも36%少ないFLOPを用いて、151GのFLOPで56.5% mAP@0.7を達成する。
  論文  参考訳（メタデータ） (2025-11-06T00:41:54Z)
• Physics-informed GNN for medium-high voltage AC power flow with edge-aware attention and line search correction operator [7.927606793404479]
  物理インフォームドグラフニューラルネットワーク(PIGNN)は高速な交流電力フロー解法として登場した。 PIGNN-Attn-LSは電圧0.00033 p.uのRMSE、角度0.08$circ$のRMSEを達成し、それぞれPIGNN-MLPベースラインの99.5%と87.1%を上回っている。
  論文  参考訳（メタデータ） (2025-09-26T15:09:26Z)
• TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion [18.028061388104963]
  我々は,3つの重要なイノベーションを持つtextbfTGLF-SINN (Spectra-Informed Neural Network) を提案する。 我々の手法は、トレーニングデータを大幅に減らし、優れたパフォーマンスを実現する。 下流フラックスマッチングアプリケーションでは、NNサロゲートがTGLFの45倍のスピードアップを提供しながら、同等の精度を維持しています。
  論文  参考訳（メタデータ） (2025-09-07T09:36:51Z)
• Global Vision Transformer Pruning with Hessian-Aware Saliency [93.33895899995224]
  この研究はヴィジュアルトランスフォーマー(ViT)モデルの共通設計哲学に挑戦する。 遅延を意識した規則化による直接遅延低減を実現し,すべての層や構造に匹敵する新しいヘッセン型構造解析基準を導出する。 DeiT-Baseモデルで反復的なプルーニングを実行すると、NViT(Novel ViT)と呼ばれる新しいアーキテクチャファミリが生まれ、パラメータをより効率的に利用する新しいパラメータが現れる。
  論文  参考訳（メタデータ） (2021-10-10T18:04:59Z)
• Self Sparse Generative Adversarial Networks [73.590634413751]
  GAN(Generative Adversarial Networks)は、敵対的トレーニングを通じてデータ分布を学習する監視されていない生成モデルである。 本論文では,パラメータ空間を小さくし,ゼロ勾配問題を軽減するSelf Sparse Generative Adversarial Network (Self-Sparse GAN)を提案する。
  論文  参考訳（メタデータ） (2021-01-26T04:49:12Z)
• Non-Autoregressive Transformer ASR with CTC-Enhanced Decoder Input [54.82369261350497]
  CTCモジュールの予測を精算することでターゲットシーケンスを生成するCTC拡張NARトランスを提案する。 実験結果から,Aishell-1およびAishell-2データセットでは,Aishell-1およびAishell-2データセットの絶対CER劣化が0。
  論文  参考訳（メタデータ） (2020-10-28T15:00:09Z)
• FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization [78.46088089185156]
  ストリーム自動音声認識(ASR)は、仮説化された単語を可能な限り迅速かつ正確に出力することを目的としている。 既存のアプローチでは、シーケンストランスデューサモデルにおいて、トーケン単位またはフレーム単位の確率予測を演算することで、発光遅延をペナルティ化する。 本稿では,訓練用トランスデューサモデルにおいて,シーケンス毎の確率に遅延正規化を直接適用する,FastEmitというシーケンスレベルのエミッション正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T17:05:01Z)

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。