論文の概要: Tadpole: Autoencoders as Foundation Models for 3D PDEs with Online Learning

• arxiv url: http://arxiv.org/abs/2605.15284v1
• Date: Thu, 14 May 2026 18:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.046616
• Title: Tadpole: Autoencoders as Foundation Models for 3D PDEs with Online Learning
• Title（参考訳）: Tadpole: オンライン学習による3D PDEの基礎モデルとしてのオートエンコーダ
• Authors: Qiang Liu, Felix Koehler, Benjamin Holzschuh, Nils Thuerey,
• Abstract要約: タドポールは3次元偏微分方程式の基礎モデルである。 合成3次元PDEデータのオートエンコーダとして事前訓練される。 タドポールはヘテロジニアス物理系にまたがる豊かで伝達可能な表現を学ぶ。
• 参考スコア（独自算出の注目度）: 28.061953404511552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Tadpole, a novel foundation model for three-dimensional partial differential equations (PDEs) that addresses key challenges in transferability, scalability to high dimensionality, and multi-functionality. Tadpole is pre-trained as an autoencoder on synthetic 3D PDE data generated by an efficient online data-generation framework. This enables large-scale, diverse training without storage or I/O overhead, demonstrated by scaling to an equivalent of hundreds of terabytes of training data. By autoencoding single-channel spatial crops, Tadpole learns rich and transferable representations across heterogeneous physical systems with varying numbers of state variables and spatial resolutions. Although pre-trained solely as an autoencoder, Tadpole can be efficiently applied for multiple downstream tasks beyond reconstruction, including dynamics learning and generative modeling. For dynamics learning, we propose a novel parameter-efficient fine-tuning strategy that integrates low-rank adaptation, latent-space transformations, and reintroduced skip connections, achieving accurate temporal modeling with a minimal number of trainable parameters. Tadpole demonstrates strong fine-tuning performance across various downstream tasks, highlighting its versatility and effectiveness as a foundation model for 3D PDE learning. Source code and pre-trained weights of Tadpole are available at https://github.com/tum-pbs/tadpole
• Abstract（参考訳）: 本稿では,3次元偏微分方程式(PDE)の新たな基礎モデルであるTadpoleを紹介する。 タドポールは、効率的なオンラインデータ生成フレームワークによって生成された合成3次元PDEデータのオートエンコーダとして事前訓練される。 これにより、ストレージやI/Oオーバーヘッドのない大規模で多様なトレーニングが可能になり、数百テラバイトのトレーニングデータにスケールできる。 単一チャネル空間の作物を自動符号化することで、タドポールは状態変数の数や空間分解能の異なる不均一な物理系をまたいだリッチで伝達可能な表現を学習する。 オートエンコーダとしてのみトレーニングされているが、動的学習や生成モデリングなど、再構築を超える複数の下流タスクに効率的にタドポールを適用することができる。 動的学習のために,低ランク適応,潜時空間変換,再導入したスキップ接続を統合し,最小限のトレーニング可能なパラメータで正確な時間的モデリングを実現する新しいパラメータ効率の微調整手法を提案する。 Tadpoleは、様々な下流タスクにまたがる強力な微調整性能を示し、3D PDE学習の基礎モデルとして、その汎用性と有効性を強調している。 Tadpoleのソースコードとトレーニング済み重量はhttps://github.com/tum-pbs/tadpoleで入手できる。

関連論文リスト

• DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training [87.90342423839876]
  我々は,PDEデータに対するより安定的で効率的な事前学習を可能にする,自己回帰型事前学習戦略を提案する。 我々は,100k以上の軌道を持つ10以上のPDEデータセットに対して,最大0.5BパラメータでPDEファンデーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-03-06T08:38:34Z)
• Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
  自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。 自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
  論文  参考訳（メタデータ） (2024-02-19T15:33:09Z)
• Point-PEFT: Parameter-Efficient Fine-Tuning for 3D Pre-trained Models [46.42092771753465]
  我々は、最小限の学習可能なパラメータを持つポイントクラウド事前学習モデルに適用するための新しいフレームワークであるPoint-PEFTを紹介する。 具体的には、事前訓練された3Dモデルに対して、パラメータの大部分を凍結し、新たに追加されたPEFTモジュールを下流タスクでチューニングする。
  論文  参考訳（メタデータ） (2023-10-04T16:49:36Z)

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。