論文の概要: Semi-Supervised Neural Super-Resolution for Mesh-Based Simulations

• arxiv url: http://arxiv.org/abs/2605.09284v1
• Date: Sun, 10 May 2026 03:17:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.166654
• Title: Semi-Supervised Neural Super-Resolution for Mesh-Based Simulations
• Title（参考訳）: メッシュシミュレーションのための半スーパービジョンニューラル超解法
• Authors: Jiyeon Kim, Youngjoon Hong, Won-Yong Shin,
• Abstract要約: SuperMeshNetは、メッセージパッシングニューラルネットワーク(MPNN)によって支援されるメッシュベースのシミュレーションのためのHRデータ効率のフレームワークである。 SuperMeshNetは,(1)少量のLR-HRデータを効果的に活用する半教師付き手法である補完学習を導入している。 SuperMeshNetは、完全に教師されたベンチマークよりも低いルート平均二乗誤差(RMSE)を達成するのに、HRデータを90%少なくすることを示した。
• 参考スコア（独自算出の注目度）: 19.658565469691027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mesh-based simulations provide high-fidelity solutions to partial differential equations (PDEs), but achieving such accuracy typically requires fine meshes, leading to substantial computational overhead. Super-resolution techniques aim to mitigate this cost by reconstructing high-resolution (HR), high-fidelity solutions from low-cost, low-resolution (LR) counterparts. However, training neural networks for super-resolution often demands large amounts of expensive HR supervision data. To address this challenge, we propose SuperMeshNet, an HR data-efficient super-resolution framework for mesh-based simulations aided by message passing neural networks (MPNNs). At its core, SuperMeshNet introduces complementary learning, a semi-supervised approach that effectively leverages both 1) a small amount of paired LR-HR data and 2) abundant unpaired LR data via two jointly trained, complementary MPNN-based models. Additionally, our model is enriched by inductive biases, which are empirically shown to further improve super-resolution performance. Extensive experiments demonstrate that SuperMeshNet requires 90% less HR data to achieve even lower root mean square error (RMSE) than that of the fully supervised benchmark without the inductive biases. The source code and datasets are available at https://github.com/jykim-git/SuperMeshNet.git.
• Abstract（参考訳）: メッシュに基づくシミュレーションは、偏微分方程式(PDE)に対する高忠実性解を提供するが、そのような精度を達成するには一般に細いメッシュが必要であるため、計算オーバーヘッドがかなり大きくなる。 超高分解能技術は、高分解能(HR)溶液を低コストで低分解能(LR)溶液から再構成することで、このコストを軽減することを目的としている。 しかし、超高解像度のためのニューラルネットワークのトレーニングには、高額な人事監督データを必要とすることが多い。 この課題に対処するために、メッセージパッシングニューラルネットワーク(MPNN)によって支援されるメッシュベースのシミュレーションのためのHRデータ効率の高い超解像フレームワークであるSuperMeshNetを提案する。 SuperMeshNetのコアとなる補完学習は、両者を効果的に活用する半教師ありのアプローチだ。 1)少量のLR-HRデータと少量のLR-HRデータ 2)MPNNモデルと相補的な2つのモデルによるLRデータの豊富さについて検討した。 さらに,本モデルでは,超解像性能の向上を実証的に示す帰納的偏差に富んでいる。 SuperMeshNetは、インダクティブバイアスのない完全教師付きベンチマークよりも低いルート平均二乗誤差(RMSE)を達成するために、HRデータを90%少なくすることを示した。 ソースコードとデータセットはhttps://github.com/jykim-git/SuperMeshNet.gitで公開されている。

関連論文リスト

• AdapSNE: Adaptive Fireworks-Optimized and Entropy-Guided Dataset Sampling for Edge DNN Training [10.162214884541829]
  エッジデバイス上でのディープニューラルネットワーク(DNN)のトレーニングは、ドメイン適応やプライバシ保護といった課題に対する有望なソリューションを提供するため、注目を集めている。 本稿では,効率的な非モノトニック探索手法,すなわちファイアワークスアルゴリズム(FWA)を組み込んで,異常値を抑制するAdapSNEを提案し,アントロピー誘導最適化を用いて一様サンプリングを行う。
  論文  参考訳（メタデータ） (2025-08-19T06:48:01Z)
• A Multi-Fidelity Graph U-Net Model for Accelerated Physics Simulations [1.2430809884830318]
  本稿では,GNNモデルの性能向上のための多元性手法の利点を生かした,新しいGNNアーキテクチャであるMulti-Fidelity U-Netを提案する。 提案手法は精度とデータ要求において有意に優れた性能を示すことを示す。 また,提案アーキテクチャの高速バージョンであるMulti-Fidelity U-Net Liteを35%高速化し,精度を2～5%削減した。
  論文  参考訳（メタデータ） (2024-12-19T20:09:38Z)
• GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
  グラフ拡散型ソリューション生成(GDSG)法を提案する。 このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。 グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
  論文  参考訳（メタデータ） (2024-12-11T11:13:43Z)
• Q-Star Meets Scalable Posterior Sampling: Bridging Theory and Practice via HyperAgent [23.669599662214686]
  HyperAgentは、RLにおける探索のためのハイパーモデルフレームワークに基づく強化学習(RL)アルゴリズムである。 我々はHyperAgentが大規模深部RLベンチマークで堅牢なパフォーマンスを提供することを示した。 問題の大きさで最適にスケールし、Atariスイートで顕著な効率向上を示すエピソードでディープシーのハードな探索問題を解決することができる。
  論文  参考訳（メタデータ） (2024-02-05T07:07:30Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Deep Learning for Efficient Reconstruction of High-Resolution Turbulent DNS Data [0.0]
  大規模渦シミュレーション(LES)は、低分解能(LR)グリッド上の流体流れを解くために、より計算的に効率的なアプローチを示す。 本稿では,解の忠実度と計算複雑性のトレードオフを軽減することを目的とした,新しいディープラーニングフレームワークSR-DNS Netを提案する。 提案モデルでは,LESの高忠実度DNSデータを低解像度の解のように効率的に再構成し,良好な再現基準を得る。
  論文  参考訳（メタデータ） (2020-10-21T23:37:58Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)

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。