論文の概要: Compositional Neural Operators for Multi-Dimensional Fluid Dynamics

• arxiv url: http://arxiv.org/abs/2605.11691v1
• Date: Tue, 12 May 2026 07:48:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.677032
• Title: Compositional Neural Operators for Multi-Dimensional Fluid Dynamics
• Title（参考訳）: 多次元流体力学のための合成ニューラル演算子
• Authors: Hamda Hmida, Hsiu-Wen Chang, Youssef Mesri,
• Abstract要約: 偏微分方程式は様々な物理現象を支配しているが、高忠実度数値解は計算に高価であり、機械学習のアプローチは一般化を欠いている。 複雑なPDEをファンデーションブロックのライブラリに分解するフレームワークである2Dシステムのためのコンポジションニューラル演算子(CompNO)を提案する。 実験の結果,初等演算子からの学習は適応性を大幅に向上し,モデル解釈性を高め,新しい物理系に適応する際の事前学習ブロックの再利用を容易にすることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial differential equations (PDEs) govern diverse physical phenomena, yet high-fidelity numerical solutions are computationally expensive and Machine Learning approaches lack generalization. While Scientific Foundation Models (SFMs) aim to provide universal surrogates, typical encoding-decoding approaches suffer from high pretraining costs and limited interpretability. In this paper, we propose Compositional Neural Operators (CompNO) for 2D systems, a framework that decomposes complex PDEs into a library of Foundation Blocks. Each block is a specialized Neural Operator pretrained on elementary physics. This modular library contains convection, diffusion, and nonlinear convection blocks as well as a Poisson Solver, enabling the framework to address the pressure-velocity coupling. These experts are assembled via an Adaptation Block featuring an Aggregator. This aggregator learns nonlinear interactions by minimizing data loss and physics-based residuals driven from governing equations. The proposed approach has been evaluated on the Convection-Diffusion equation, the Burgers' equation, and the Incompressible Navier-Stokes equation. Our results demonstrate that learning from elementary operators significantly improves adaptability, enhances model interpretability and facilitates the reuse of pretrained blocks when adapting to new physical systems.
• Abstract（参考訳）: 偏微分方程式(PDE)は様々な物理現象を管理するが、高忠実度数値解は計算に高価であり、機械学習のアプローチは一般化を欠いている。 SFM(Scientific Foundation Models)は、普遍的なサロゲートを提供することを目標としているが、典型的エンコーディングデコーディングアプローチは、事前学習のコストと限定的な解釈可能性に悩まされている。 本稿では,複雑なPDEを基本ブロックのライブラリに分解するフレームワークである2Dシステムのためのコンポジションニューラル演算子(CompNO)を提案する。 各ブロックは、基礎物理学で事前訓練された特別なニューラル演算子である。 このモジュラーライブラリには、対流、拡散、非線形対流ブロックとポアソンソルバーが含まれており、このフレームワークは圧力-速度結合に対処することができる。 これらの専門家はアグリゲータを特徴とするAdaptation Blockを通じて組み立てられる。 このアグリゲータは、制御方程式から導かれるデータ損失と物理に基づく残差を最小化することで非線形相互作用を学習する。 提案手法は, 対流拡散方程式, バーガーズ方程式, 圧縮不能ナビエ・ストークス方程式で評価されている。 実験の結果,初等演算子からの学習は適応性を大幅に向上し,モデル解釈性を高め,新しい物理系に適応する際の事前学習ブロックの再利用を容易にすることがわかった。

関連論文リスト

• Learning Physical Operators using Neural Operators [10.57578521926415]
  我々は、線形作用素を固定有限差分畳み込みで近似しながら、個々の非線形物理作用素を学習するようにニューラルネットワークを訓練する。 学習した演算子が右辺を構成するニューラル常微分方程式(ODE)としてモデル化タスクを定式化する。 我々の手法は、目に見えない物理学を一般化する際に、より良い収束と優れた性能を達成する。
  論文  参考訳（メタデータ） (2026-02-26T15:27:14Z)
• CompNO: A Novel Foundation Model approach for solving Partial Differential Equations [0.0]
  偏微分方程式は幅広い物理現象を支配しているが、その数値解は計算的に要求されるままである。 最近のSFM(Scientific Foundation Models)は、シミュレーションシステムの大規模なコレクションから普遍的なサロゲートを学習することで、このコストを軽減することを目的としている。 パラメトリックPDEのための合成ニューラルネットワークフレームワークCompNOを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T10:04:48Z)
• DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
  Diminoは次元分析にインスパイアされたフレームワークである。 既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• PICL: Physics Informed Contrastive Learning for Partial Differential Equations [7.136205674624813]
  我々は,複数の支配方程式にまたがるニューラル演算子一般化を同時に改善する,新しいコントラスト事前学習フレームワークを開発する。 物理インフォームドシステムの進化と潜在空間モデル出力の組み合わせは、入力データに固定され、我々の距離関数で使用される。 物理インフォームドコントラストプレトレーニングにより,1次元および2次元熱,バーガーズ,線形対流方程式に対する固定フューチャーおよび自己回帰ロールアウトタスクにおけるフーリエニューラル演算子の精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-01-29T17:32:22Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)

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。