論文の概要: Deep Wave Network for Modeling Multi-Scale Physical Dynamics

• arxiv url: http://arxiv.org/abs/2605.04198v1
• Date: Tue, 05 May 2026 18:40:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.488097
• Title: Deep Wave Network for Modeling Multi-Scale Physical Dynamics
• Title（参考訳）: マルチスケール物理力学モデリングのためのディープウェーブネットワーク
• Authors: Alexander I. Khrabry, Edward A. Startsev, Andrew T. Powis, Igor D. Kaganovich,
• Abstract要約: 深層学習モデルの性能はキャパシティによって強く制御され、幅と深さが主制御である。 物理科学の応用では、モデルはしばしば単一の固定サイズで比較されるか、精度と計算コストを分離することによって比較される。 この問題はU-Net型エンコーダデコーダモデルに特に関係しており、多スケールガス、流体、プラズマ力学に広く用いられている。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Performance of deep learning models is strongly governed by architectural capacity, with width and depth as primary controls. However, in physical-science applications, models are often compared at a single fixed size or by separating accuracy and computational cost, which can be misleading since architectures exhibit different accuracy-cost scaling as width and depth vary. This issue is particularly relevant for U-Net-type encoder-decoder models, widely used for multi-scale gas, fluid, and plasma dynamics due to their ability to represent features across spatial scales. A U-Net constructs a multi-resolution representation via an encoder that progressively reduces spatial resolution, followed by a decoder that restores it for prediction. Skip connections link corresponding encoder and decoder features, preserving fine-scale information and improving optimization. In practice, U-Net width is routinely tuned, while depth is typically kept fixed (a set number of down/up-sampling stages with few convolutions per stage), limiting systematic exploration of depth for improving the accuracy-cost trade-off. We address this limitation by increasing effective depth through stacking multiple encoder-decoder "waves" in series, with skip connections both within and across waves to enable progressive cross-scale refinement. We call this architecture a Deep Wave Network (DW-Net). Training data, optimization, and schedules are kept identical across models. Instead of evaluating single configurations, we train multiple width variants of each architecture and compare accuracy vs. GPU time Pareto fronts. Across several 2D and 3D flow benchmarks, DW-Net models consistently improve the Pareto frontier over single-wave U-Nets, achieving higher accuracy at matched cost or similar accuracy at reduced cost, and reaching low-error regimes with up to 3x less training time under identical training settings.
• Abstract（参考訳）: ディープラーニングモデルの性能は、アーキテクチャ能力によって強く管理されており、幅と深さが主制御である。 しかし、物理科学の応用においては、モデルはしばしば単一の固定サイズで比較されるか、精度と計算コストを分離することによって比較される。 この問題はU-Net型エンコーダデコーダモデルに特に関係しており、空間スケールで特徴を表現できるため、多スケールガス、流体、プラズマ力学に広く用いられている。 U-Netは、空間分解能を段階的に低減するエンコーダを介して多分解能表現を構築し、続いて予測のために復調するデコーダを備える。 スキップ接続は、対応するエンコーダとデコーダをリンクし、微細な情報を保存し、最適化を改善する。 実際には、U-Netの幅は規則的に調整されるが、通常、深さは固定され(ステージごとに畳み込みがほとんどない一連のダウン/アップサンプリングステージ)、精度とコストのトレードオフを改善するために、深さの体系的な探索が制限される。 本稿では,複数のエンコーダ・デコーダ"ウェーブ"を連続的に積み重ねることにより,この制限に対処する。 私たちはこのアーキテクチャをDeep Wave Network(DW-Net)と呼びます。 トレーニングデータ、最適化、スケジュールはモデル間で同一に保たれます。 単一の構成を評価する代わりに、各アーキテクチャの複数の幅のバリエーションをトレーニングし、精度とGPUタイムのParetoフロントを比較します。 複数の2Dおよび3Dフローベンチマークにおいて、DW-NetモデルはシングルウェーブU-Netよりもパレートフロンティアを一貫して改善し、一致したコストで高い精度を達成し、コストを低減し、同一のトレーニング設定で最大3倍のトレーニング時間で低エラー状態に達する。

関連論文リスト

• Neural Network Optimization Reimagined: Decoupled Techniques for Scratch and Fine-Tuning [49.751529745537546]
  我々はDualOptを提案する。DualOptは、スクラッチからトレーニングに適した最適化技術を分離する新しいアプローチである。 スクラッチからのトレーニングでは、収束と一般化の両面を強化するために設計されたリアルタイムな層ワイド・ウェイト・デポジットを導入する。 我々は、異なる下流タスクの様々な要求に適応して、レイヤ単位の重量減衰を拡張して、レイヤ間のロールバックレベルを動的に調整する。
  論文  参考訳（メタデータ） (2026-04-21T06:27:18Z)
• Scale Propagation Network for Generalizable Depth Completion [16.733495588009184]
  入力から出力までのスケールを伝搬する新しいスケール伝搬正規化法(SP-Norm)を提案する。 また,SP-NormとConvNeXt V2のバックボーンをベースとした新しいネットワークアーキテクチャを開発した。 我々のモデルは、最先端の手法と比較して、高速かつ低メモリで常に最高の精度を達成している。
  論文  参考訳（メタデータ） (2024-10-24T03:53:06Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• HYVE: Hybrid Vertex Encoder for Neural Distance Fields [9.40036617308303]
  本稿では,1つの前方パスにおける3次元形状の正確な符号化に適したニューラルネットワークアーキテクチャを提案する。 我々のネットワークは、非ゼロ距離値や形状占有の事前知識を明示することなく、有効な符号付き距離場を出力することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:07:37Z)
• Efficient Controllable Multi-Task Architectures [85.76598445904374]
  本稿では,共有エンコーダとタスク固有デコーダからなるマルチタスクモデルを提案する。 我々のキーとなる考え方は、タスク固有のデコーダの容量を変化させ、計算コストの総和を制御し、タスクの重要度を制御することである。 これにより、与えられた予算に対してより強力なエンコーダを許可し、計算コストの制御を高め、高品質のスリム化サブアーキテクチャを提供することにより、全体的な精度を向上させる。
  論文  参考訳（メタデータ） (2023-08-22T19:09:56Z)
• Combined space-time reduced-order model with 3D deep convolution for extrapolating fluid dynamics [4.984601297028257]
  近年,深層学習に基づく低次モデルがシミュレーションに有効であることが示されている。 本研究では,ネットワークアーキテクチャを改良し,空間物理学を暗黙のバイアスとして統合することにより,外挿性能の向上を目指す。 3次元畳み込みネットワークの有効性を実証するために, 円柱を過ぎる流れの層流条件におけるベンチマーク問題を考察した。
  論文  参考訳（メタデータ） (2022-11-01T07:14:07Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• ADCPNet: Adaptive Disparity Candidates Prediction Network for Efficient Real-Time Stereo Matching [8.046317778069325]
  粗粒度法は大規模ネットワークモデルのメモリ制約と速度制限を大幅に緩和した。 以前の粗大な設計では、粗大な格差マップを段階的に洗練するために、一定のオフセットと3つ以上のステージを使用する。 本稿では、より正確な不一致候補が提供される限り、より少ない段階で、粗い一致誤差を効率よく修正できると主張している。
  論文  参考訳（メタデータ） (2020-11-18T01:18:52Z)

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。