論文の概要: Physics-Informed Graph Neural Network Surrogates for Turbulent Nanoparticle Dispersion in Dental Clinical Environments
- arxiv url: http://arxiv.org/abs/2605.19589v1
- Date: Tue, 19 May 2026 09:31:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.250723
- Title: Physics-Informed Graph Neural Network Surrogates for Turbulent Nanoparticle Dispersion in Dental Clinical Environments
- Title（参考訳）: 歯科臨床環境における乱流ナノ粒子分散のための物理インフォームグラフニューラルネットワークサロゲート
- Authors: Takshak Shende, Viktor Popov,
- Abstract要約: 歯科用エアロゾルは50マイクロメートル未満の核を産生し、閉鎖された診療所で長時間空中に留まり、航空機の病原体感染の経路を作る。
我々は,OpenFOAM多面体メッシュ上でのキャリアフローのダイナミクスと多分散噴霧雲のパーセル運動を共同で予測する物理インフォームドグラフサロゲートであるEulerian-Lagrangian Graph Interaction Network (ELGIN)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dental aerosol procedures produce sub-50 micrometre nuclei that can remain airborne for long periods in enclosed clinics, creating pathways for airborne pathogen transmission. Reynolds-Averaged Navier-Stokes (RANS) simulations with Euler-Lagrange particle tracking capture this transport accurately but require very long run times per scenario, which precludes real-time clinical decision support in 3D. We present the Eulerian-Lagrangian Graph Interaction Network (ELGIN), a physics-informed graph surrogate that jointly predicts carrier-flow dynamics on the OpenFOAM polyhedral mesh and the per-parcel motion of the polydisperse spray cloud. ELGIN couples a multi-head Graph Transformer with Jacobi-preconditioned learnable pressure projection and a turbulence-closure head to a sigmoid-gated Lagrangian Interaction Network through differentiable inverse-distance mesh-parcel coupling, and advances parcels with a symplectic Stormer-Verlet integrator. A four-stage physics-informed curriculum stabilises 260-step autoregressive rollouts without gradient explosion. A parameter sweep with foam-extend 4.1 OpenFOAM reactingParcelFoam across clinically relevant ventilation rates and handpiece spray speeds provides CFD ground truth. This article reports a single-case demonstration in which both ELGIN and a Lagrangian-only baseline (M0) are trained and evaluated on Sweep_Case_03 of a twenty-case sweep; full 16/2/2 retraining is in progress and will replace all reported metrics. On this case, ELGIN tracks the foam-extend particle cloud much more closely than M0: mean parcel displacement error falls from 19.56% to 16.20% of room width and cloud radius-of-gyration error from 9.85% to 6.58%. A 26-second rollout completes in ~64 s on a 4 GB GPU, approximately 37x faster than the foam-extend reference pipeline, toward per-appointment infection-risk screening once the multi-case checkpoint is in place.
- Abstract（参考訳）: 歯科用エアロゾルは50マイクロメートル未満の核を産生し、閉鎖された診療所で長時間空中に留まり、航空機の病原体感染の経路を作る。
Reynolds-Averaged Navier-Stokes (RANS) シミュレーションと Euler-Lagrange 粒子追跡は正確にこの輸送を捕捉するが、シナリオ毎に非常に長い実行時間を必要とするため、3Dでのリアルタイムな臨床診断サポートが妨げられる。
我々は,OpenFOAM多面体メッシュ上でのキャリアフローのダイナミクスと多分散噴霧雲のパーセル運動を共同で予測する物理インフォームドグラフサロゲートであるEulerian-Lagrangian Graph Interaction Network (ELGIN)を提案する。
ELGINは、ヤコビ条件で学習可能な圧力プロジェクションを備えたマルチヘッドグラフ変換器と、Sigmoid-gated Lagrangian Interaction Networkへの乱流閉鎖ヘッドを、微分可能な逆距離メッシュ-パーセル結合により結合し、シンプレクティックストーマー-バーレット積分器でパーセルを前進させる。
4段階の物理インフォームドカリキュラムは、260ステップの自己回帰ロールアウトを勾配爆発なしで安定化させる。
発泡体4.1 OpenFOAM反応するParcelFoamを、臨床的に関連する換気速度とハンドピーススプレー速度で除去するパラメータスイープは、CFDの真実を提供する。
この記事では、20ケーススイープのSweep_Case_03上で、ELGINとラグランジアン専用ベースライン(M0)の両方をトレーニングし、評価するシングルケースデモを報告する。
平均的なパーセル変位誤差は、部屋の幅の19.56%から16.20%、雲の半径は9.85%から6.58%に低下する。
26秒のロールアウトは、4GBのGPU上で約64秒で完了する。
関連論文リスト
- Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。
終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。
EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
論文 参考訳（メタデータ） (2026-05-15T16:11:10Z) - PRISM: Differentiable Analysis-by-Synthesis for Fixel Recovery in Diffusion MRI [1.3063136334195184]
この研究は、多部構成のフォワードモデルとエンドツーエンドの脳脊髄モデルに適合する、微分可能な分析バイシンセシスフレームワークを紹介します。
PRISMは高速MSE目標と情報無しで共同で学習するリッチ陰性対数類似度(NLL)をサポートする。
PRISMは、95%のリコールが最良基準線よりも1.9倍低い3.5度の角誤差を達成している。
論文 参考訳（メタデータ） (2026-03-31T21:22:49Z) - Learning Pore-scale Multiphase Flow from 4D Velocimetry [21.658780881627536]
多孔質媒質中の多相流は地下エネルギーと環境技術を支える。
時間分解マイクロ速度測定から多相間隙流を直接推定する枠組みを提案する。
論文 参考訳（メタデータ） (2026-03-12T23:28:20Z) - FlowMorph: Physics-Consistent Self-Supervision for Label-Free Single-Cell Mechanics in Microfluidic Videos [0.0]
赤血球の力学的性質は、血液疾患や全身疾患に対して有望なバイオマーカーである。
本稿では,ラベルフリーなスカラー・メカニクス・プロキシであるFlowMorphについて,短時間の光場マイクロ流体ビデオからRBC毎に$k$で学習する自己教師型フレームワークを紹介した。
論文 参考訳（メタデータ） (2026-01-25T18:57:36Z) - Physics Enhanced Deep Surrogates for the Phonon Boltzmann Transport Equation [0.0]
物理強化深部サロゲート(PEDS)
ネットワークは、幾何学に依存した補正と、マクロとナノスケールの挙動を補間する混合係数を学ぶ。
PEDSは、純粋なデータ駆動ベースラインと比較して、トレーニングデータ要求を最大70%削減する。
論文 参考訳（メタデータ） (2025-11-25T16:25:24Z) - LiNeXt: Revisiting LiDAR Completion with Efficient Non-Diffusion Architectures [52.59993476989728]
LiNeXtは、高速で正確なポイントクラウド補完に最適化された軽量で非拡散ネットワークである。
LiNeXtは推論の199.8倍の高速化を実現し、チャンファー距離を50.7%削減し、LiDiffと比較してパラメータの6.1%しか使用していない。
論文 参考訳（メタデータ） (2025-11-13T11:28:18Z) - Physics-Informed Neural Networks for Real-Time Gas Crossover Prediction in PEM Electrolyzers: First Application with Multi-Membrane Validation [2.3704813250344436]
高分子電解質膜(PEM)水電解によるグリーン水素製造は、エネルギー遷移の鍵となる。
現在の物理学に基づくモデルでは、リアルタイム実装を妨げる広範なキャリブレーションと計算資源が必要である。
本稿では,物理インフォームドニューラルネットワーク(PINN)の水素クロスオーバー予測への応用について紹介する。
論文 参考訳（メタデータ） (2025-11-08T06:41:39Z) - Speeding Up MACE: Low-Precision Tricks for Equivarient Force Fields [51.95157731126864]
機械学習力場は高い計算コストで正確な分子動力学(MD)を提供することができる。
この論文は、計算ボトルネックを特定し、低精度の実行ポリシーを評価することで、MACEを安価かつ高速にすることを目的としている。
論文 参考訳（メタデータ） (2025-10-23T14:02:34Z) - DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。
DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
論文 参考訳（メタデータ） (2025-09-19T16:09:33Z) - Coordinate Transformer: Achieving Single-stage Multi-person Mesh
Recovery from Videos [91.44553585470688]
ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。
本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。
3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
論文 参考訳（メタデータ） (2023-08-20T18:23:07Z) - Ultra-low Power Deep Learning-based Monocular Relative Localization
Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。
超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。
実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文 参考訳（メタデータ） (2023-03-03T14:14:08Z)
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。