論文の概要: Mesh Based Simulations with Spatial and Temporal awareness

• arxiv url: http://arxiv.org/abs/2605.01542v1
• Date: Sat, 02 May 2026 17:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.823185
• Title: Mesh Based Simulations with Spatial and Temporal awareness
• Title（参考訳）: 空間的・時間的認識を用いたメッシュシミュレーション
• Authors: Paul Garnier, Vincent Lannelongue, Elie Hachem,
• Abstract要約: 本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning surrogates for Computational Fluid Dynamics (CFD), particularly Graph Neural Networks (GNNs) and Transformers, have become a new important approach for accelerating physics simulations. However, we identify a critical bottleneck in the field: while architectures have advanced significantly, the common underlying training paradigms remain bound to naive assumptions, such as node-wise supervision and explicit Euler time-stepping. These legacy choices ignore the stiff dynamics and local flux continuity inherent to numerous partial differential equations resolution methods, such as Finite Element, Difference, or Volume (FEM). In this work, we propose a unified framework to bridge the gap between geometric deep learning and rigorous numerical analysis. We introduce three key innovations: (1) Multi Node Prediction, a stencil-level objective that predicts field values for a node's full local topology, enforcing spatial derivative consistency; (2) Temporal Correction, replacing unstable explicit schemes with a predictor-corrector via temporal Cross-Attention; and (3) Geometric Inductive Biases, leveraging 3D Rotary Positional Embeddings (RoPE) to robustly capture rotational symmetries in unstructured meshes. We evaluate this framework across three architectures (MeshGraphNet, Transolver, and a Transformer) on diverse physics datasets. Our approach yields consistent improvements in accuracy and stability, particularly in long-horizon rollouts, while producing latent representations that generalize to unseen subtasks such as Wall Shear Stress or Pressure prediction. Code is available at https://github.com/DonsetPG/graph-physics.
• Abstract（参考訳）: 計算流体力学(CFD)のための機械学習サロゲート、特にグラフニューラルネットワーク(GNN)とトランスフォーマーは、物理シミュレーションを加速するための新しい重要なアプローチとなっている。 しかし、我々はこの分野における重要なボトルネックを特定している。アーキテクチャは著しく進歩しているが、共通のトレーニングパラダイムは、ノードの監督や明示的なEulerタイムステッピングといった単純な仮定に縛られている。 これらのレガシーな選択は、有限要素、差分、体積(FEM)のような多くの偏微分方程式の解法に固有の固い力学と局所的なフラックス連続性を無視している。 本研究では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。 このフレームワークは,3つのアーキテクチャ(MeshGraphNet,Transolver,Transformer)にまたがって,多様な物理データセット上で評価する。 提案手法は,壁せん断応力や圧力予測などの未確認サブタスクに一般化した潜時表現を生成するとともに,特に長軸ロールアウトにおいて,精度と安定性を一貫した改善をもたらす。 コードはhttps://github.com/DonsetPG/graph-physicsで入手できる。

関連論文リスト

• FEM-Informed Hypergraph Neural Networks for Efficient Elastoplasticity [3.211924713637672]
  グラフニューラルネットワーク(GNN)は、スパース演算子や非構造化離散化と自然に一致している。 離散的な物理損失により、ノードに有限要素計算を埋め込み、ガウス点を直接メッセージパッシング層に埋め込む。 我々はFHGNN(FEM-Informed Hypergraph Neural Networks)を提案する。
  論文  参考訳（メタデータ） (2026-02-07T05:11:12Z)
• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Diffusion-Based Hierarchical Graph Neural Networks for Simulating Nonlinear Solid Mechanics [20.95722391593829]
  Rolling Diffusion-Batched Inference Network (ROBIN)は、2つの重要なイノベーションを統合する新しい学習シミュレータである。 ROBINは、ビーム曲げや多体接触のような現象に不可欠な微細な局所力学と大域的な構造効果の両方を捉えている。 幾何学的, 材料的, 接触非線形性を含む2次元および3次元固体力学ベンチマークにおいて, ROBINを検証した。
  論文  参考訳（メタデータ） (2025-06-06T12:46:36Z)
• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• Implicit Neural Representation For Accurate CFD Flow Field Prediction [0.0]
  航空機エンジンタービンと圧縮機のブレードに適用した3次元流れ場予測のためのディープラーニングフレームワークを提案する。 我々は、任意の3Dフィールドを、バックボーンネットと呼ばれるニューラルネットワークによってモデル化された座標からの関数と見なす。 境界層、ウェイク、衝撃波などの重要な流れ特性を正確に描画することができる。
  論文  参考訳（メタデータ） (2024-08-12T20:41:07Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。