論文の概要: Inpainting physics: self-supervised learning for context-driven fluid simulation
- arxiv url: http://arxiv.org/abs/2605.08832v1
- Date: Sat, 09 May 2026 09:37:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.917058
- Title: Inpainting physics: self-supervised learning for context-driven fluid simulation
- Title（参考訳）: インペインティング物理--文脈駆動流体シミュレーションのための自己教師型学習
- Abstract要約: 本研究では, 定常CFD推論を文脈条件で表現する手法を提案する。
明示的な境界条件を訓練する代わりに、速度場上の自己教師付き事前学習を行う。
頭蓋内大動脈瘤血行動態では, 疎境界から全速度場を再構築する。
- 参考スコア（独自算出の注目度）: 2.1529676354218674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural surrogate models for computational fluid dynamics (CFD) are typically trained as forward operators that map explicit problem specifications, such as geometry and boundary conditions, to solution fields. This ties the model to the conditioning variables seen during training and limits reuse under boundary-condition shifts or local geometry changes. We propose to reformulate steady CFD inference as an inpainting problem: instead of training on explicit boundary conditions, we learn a self-supervised prior over velocity fields and impose boundary constraints only during inference by fixing known regions such as inlet, outlet or unchanged regions from previous simulations. To scale this idea to large 3D meshes, we introduce a local neighbourhood tokeniser that represents high-resolution velocity fields as compact spatial latent tokens and train latent flow-matching and masked-autoencoder models on these tokens. On intracranial aneurysm hemodynamics, our method reconstructs full velocity fields from sparse boundary context, outperforms supervised neural surrogates under boundary-condition and dataset shift and enables local geometry editing by reusing unchanged simulation context. These results suggest that viewing CFD inference as context-conditioned inpainting can turn neural surrogates from task-specific predictors into reusable flow priors.
- Abstract（参考訳）: 計算流体力学(CFD)のニューラルサロゲートモデルは通常、幾何学や境界条件などの明示的な問題仕様を解場にマッピングするフォワード演算子として訓練される。
これは、トレーニング中に見られる条件変数にモデルを関連付け、境界条件シフトや局所幾何学変化の下での再利用を制限する。
本研究では, 定常CFD推論を悪質な問題として再検討する: 明示的な境界条件のトレーニングの代わりに, 速度場上の自己教師付き事前制御を学習し, インレットや出口, 変化しない領域などの既知領域を従来のシミュレーションから修正することによって, 推論中にのみ境界制約を課す。
このアイデアを大規模3次元メッシュに拡張するために,コンパクトな空間潜在トークンとして高分解能速度場を表す局所的近傍トークンサを導入し,これらのトークン上での潜在フローマッチングとマスク付きオートエンコーダモデルを訓練する。
頭蓋内大動脈瘤血行動態では, 疎境界条件から全速度場を再構成し, 境界条件およびデータセットシフト下での教師付き神経代理よりも優れ, 変化しないシミュレーションコンテキストを再利用して局所的幾何学的編集を可能にする。
これらの結果から,CFD推論をコンテキスト条件のインペイントとして見ることで,タスク固有の予測器からのニューラルネットワークを再利用可能なフロー先へと変えることが示唆された。
関連論文リスト
- Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
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。
論文 参考訳（メタデータ） (2026-05-02T17:09:31Z) - Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。
物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。
その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
論文 参考訳（メタデータ） (2026-04-06T05:59:54Z) - Spline Deformation Field [21.755382164519776]
帰納バイアスは、不適切なシナリオにおける標準空間コヒーレンスを妨げる。
本稿では,従来の結合技術に取って代わる,新しい低ランク空間符号化手法を提案する。
最先端の手法と比較して、競争力のある動的再構成品質を実現する。
論文 参考訳（メタデータ） (2025-07-10T08:11:46Z) - Physical Informed Neural Networks for modeling ocean pollutant [1.393499936476792]
本稿では,2次元対流拡散方程式により制御される汚染物質の分散をシミュレートする枠組みを提案する。
このモデルは、物理法則を埋め込み、ノイズの多い合成データに適合させることで、物理的に一貫した予測を実現する。
論文 参考訳（メタデータ） (2025-07-07T04:21:09Z) - Mixture of neural operator experts for learning boundary conditions and model selection [0.40964539027092917]
本稿では,数値計算による体積のペナル化にインスパイアされた境界条件を与える方法を提案する。
競合する専門家を導入することで、このアプローチはさらにモデル選択を可能にします。
論文 参考訳（メタデータ） (2025-02-06T23:29:32Z) - Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。
メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文 参考訳（メタデータ） (2023-08-24T17:59:54Z) - From NeurODEs to AutoencODEs: a mean-field control framework for
width-varying Neural Networks [68.8204255655161]
本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。
損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
論文 参考訳（メタデータ） (2023-07-05T13:26:17Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳（メタデータ） (2021-11-02T12:33:42Z) - 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。