論文の概要: AeroJEPA: Learning Semantic Latent Representations for Scalable 3D Aerodynamic Field Modeling

• arxiv url: http://arxiv.org/abs/2605.05586v1
• Date: Thu, 07 May 2026 02:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.48499
• Title: AeroJEPA: Learning Semantic Latent Representations for Scalable 3D Aerodynamic Field Modeling
• Title（参考訳）: AeroJEPA:スケーラブルな3次元空力場モデリングのための意味的潜在表現の学習
• Authors: Francisco Giral, Abhijeet Vishwasrao, Andrea Arroyo Ramo, Mahmoud Golestanian, Federica Tonti, Adrian Lozano-Duran, Steven L. Brunton, Sergio Hoyas, Hector Gomez, Soledad Le Clainche, Ricardo Vinuesa,
• Abstract要約: 本研究では,空力場モデリングのための予測アーキテクチャであるAeroJEPAを紹介する。 幾何学から直接流れ場を予測するのではなく、AeroJEPAは流れの潜在的な表現を予測している。 得られた潜在空間は, 制御された探索, 線形探索, 概念ベクトル算術, 制約付き設計潜在最適化実験をサポートすることを示す。
• 参考スコア（独自算出の注目度）: 5.931951549967812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aerodynamic surrogate models are increasingly used to replace repeated high-fidelity CFD evaluations in many-query design settings, but current approaches still face two important limitations: they often scale poorly to the very large fields arising in realistic 3D aerodynamics, and they rarely produce latent representations that are directly useful for analysis and design. We introduce AeroJEPA, a Joint-Embedding Predictive Architecture for aerodynamic field modeling that addresses both issues. Rather than predicting the full flow field directly from geometry, AeroJEPA predicts a target latent representation of the flow from a context latent representation of the geometry and operating conditions, and optionally reconstructs the field through a continuous implicit decoder. This formulation decouples latent prediction from field resolution while encouraging the latent space to organize semantically. We evaluate AeroJEPA on two complementary datasets: HiLiftAeroML, which stresses the method in a high-fidelity regime with extremely large boundary-layer fields, and SuperWing, which tests large-scale generalization and latent-space optimization over a broad family of transonic wings. Across these benchmarks, AeroJEPA is competitive as a continuous surrogate for aerodynamic fields, scales naturally to high-resolution outputs, and learns context and predicted latents that encode geometry and aerodynamic quantities not used directly as supervision. We further show that the resulting latent space supports controlled interpolation, linear probing, concept-vector arithmetic, and a constrained design latent-optimization experiment. These results suggest that predictive latent learning is a promising direction for scalable and design-meaningful aerodynamic surrogate modeling.
• Abstract（参考訳）: 空力サロゲートモデルは、多くのクエリー設計設定において繰り返し発生する高忠実性CFD評価を置き換えるために使われることが多いが、現在のアプローチは2つの重要な制限に直面している。 本稿では,空力場モデリングのための統合埋め込み予測アーキテクチャであるAeroJEPAを紹介する。 完全な流れ場を直接幾何学から予測するのではなく、AeroJEPAは幾何学と操作条件の文脈潜在表現からフローの潜在表現を予測し、連続的な暗黙のデコーダを通してフィールドを任意に再構築する。 この定式化は、潜在空間に意味論的に組織化を奨励しながら、潜在予測をフィールド分解から切り離す。 我々は,この手法を非常に大きな境界層を持つ高忠実度系で強調するHiLiftAeroMLと,広帯域の超音速翼上での大規模一般化と潜時空間最適化をテストするSuperWingの2つの相補的データセットで評価した。 これらのベンチマーク全体で、AeroJEPAは、空気力学分野の連続的なサロゲートとして競争力があり、自然に高解像度の出力にスケールし、幾何学や空力量を直接監督に使用しない、文脈や予測潜時を学習する。 さらに, 制御補間, 線形探索, 概念ベクトル算術, 制約付き設計潜時最適化実験をサポートすることを示す。 これらの結果から, 予測潜在学習は, スケーラブルで設計に有意な空力サロゲートモデリングにおいて有望な方向であることが示唆された。

関連論文リスト

• Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
  我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
  論文  参考訳（メタデータ） (2026-05-07T14:27:48Z)
• Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD [7.948688528462053]
  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。
  論文  参考訳（メタデータ） (2026-04-20T16:42:35Z)
• VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model [59.789011777899965]
  VGGT-World(VGGT-World)は、ビデオ生成を完全にサイドステップで行い、凍った幾何学的境界モデルの特徴の時間的進化を予測する幾何学世界モデルである。 VGGT-Worldは3.6～5倍高速で、トレーニング可能なパラメータはわずか0.43Bである。
  論文  参考訳（メタデータ） (2026-03-13T04:56:43Z)
• Going with the Speed of Sound: Pushing Neural Surrogates into Highly-turbulent Transonic Regimes [19.286954413935025]
  本稿では,超音速系における3次元翼のCFDシミュレーションのデータセットを提案する。 データセットは、ユニークな幾何学とインフロー条件を持つ約30,000ドルのサンプルのために、ボリュームと表面レベルのフィールドで構成されている。 我々はTransolverやAB-UPTなど,いくつかの最先端のニューラルネットワークをデータセット上で評価した。
  論文  参考訳（メタデータ） (2025-11-26T15:06:19Z)
• 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)
• Towards scalable surrogate models based on Neural Fields for large scale aerodynamic simulations [0.0]
  本稿では,ニューラルネットワークに基づく空力応用のための新しい代理モデリングフレームワークを提案する。 提案手法であるMARIOは、効率的な形状符号化機構によって非パラメトリックな幾何学的変動に対処する。 フル解像度の推論中に一貫した精度を維持しながら、大幅にダウンサンプルされたメッシュのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-05-14T10:49:08Z)
• C(NN)FD -- Deep Learning Modelling of Multi-Stage Axial Compressors Aerodynamics [0.0]
  本稿では,多段軸圧縮機の流れ場および空力特性の予測のための一般化されたディープラーニングフレームワークの開発と応用について述べる。 物理に基づく次元の減少は、大規模領域のフロー場予測の可能性を解き、非構造化領域から構造化領域への回帰問題を再定式化する。 提案フレームワークは,0D/1D/2D/3Dレベルで対応する空力ドライバを識別できるため,物理的に説明可能な性能予測の利点を有する。
  論文  参考訳（メタデータ） (2025-03-18T15:58:58Z)
• An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
  DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。 提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
  論文  参考訳（メタデータ） (2024-12-18T12:10:33Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)

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。