論文の概要: AirfoilGen: A valid-by-construction and performance-aware latent diffusion model for airfoil generation

• arxiv url: http://arxiv.org/abs/2605.20303v2
• Date: Thu, 21 May 2026 02:01:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.437279
• Title: AirfoilGen: A valid-by-construction and performance-aware latent diffusion model for airfoil generation
• Title（参考訳）: AirfoilGen: 翼生成のための有効構成と性能を考慮した潜時拡散モデル
• Authors: Zhijie Yang, Min Tang, Peng Du, Qiang Zou,
• Abstract要約: 翼形状設計は航空宇宙工学の基本的な課題であり、飛行安定性と燃料消費に直接影響を及ぼす。 既存の深い生成的アプローチは、幾何的妥当性と物理的可制御性の両方に制限されている。 本稿では,エアフォイルの有効構成と性能を考慮した潜時拡散モデルであるAirfoilGenを提案する。
• 参考スコア（独自算出の注目度）: 8.279010083719369
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Airfoil shape design is a fundamental task in aerospace engineering, with a direct impact on flight stability and fuel consumption. Deep learning has recently emerged as a promising tool for this task, but existing deep generative approaches remain limited in both geometric validity and physical controllability. They offer little control over the generated shapes, yielding invalid geometries, and they typically do not condition effectively on aerodynamic performance. To address these issues, this paper proposes AirfoilGen, a valid-by-construction and performance-aware latent diffusion model for airfoil. It first introduces a novel airfoil representation scheme, the circle sweeping representation, to constrain the generative process so that output shapes respect essential airfoil characteristics. It then enables explicit control over aerodynamic performance (e.g., lift and drag coefficients) by operating in a learned latent space: a transformer model encodes airfoil shapes into vector embeddings, and a conditional diffusion model denoises Gaussian noise into these latent embeddings while incorporating target aerodynamic performance. In addition, this paper presents a new dataset of over 200,000 airfoils, which is substantially larger than the widely used UIUC airfoil dataset (1,650 airfoils) and more suitable for training modern deep generative models. Experiments demonstrate that AirfoilGen enables airfoil generation with far greater geometric validity and aerodynamic performance controllability than previously achievable, with an average performance-conditioning accuracy of 98.41%.
• Abstract（参考訳）: 翼形状設計は航空宇宙工学の基本的な課題であり、飛行安定性と燃料消費に直接影響を及ぼす。 ディープラーニングはこのタスクの有望なツールとして最近登場したが、既存の深層生成アプローチは、幾何学的妥当性と物理的制御性の両方において制限されている。 これらは生成した形状をほとんど制御せず、無効なジオメトリーを生じさせ、通常は空力性能を効果的に制御しない。 これらの問題に対処するために,本論文では,エアフォイルの有効構成と性能を考慮した潜時拡散モデルであるAirfoilGenを提案する。 最初に、出力形状が必須の翼特性を反映するように生成過程を制約するために、新しい翼表現スキーム、円周表現を導入する。 変圧器モデルでは、翼形状をベクトル埋め込みに符号化し、条件拡散モデルは、目標空力性能を取り入れつつ、これらの潜伏埋め込みにガウスノイズを分解する。 さらに,本論文では,UIUCエアフォイルデータセット (1,650エアフォイル) よりもはるかに大きく,近代的な深部生成モデルの訓練に適する20万以上のエアフォイルの新たなデータセットを提案する。 実験により、AirfoilGenは従来よりもはるかに高い幾何学的妥当性と空力性能の制御が可能であり、平均的な性能条件精度は98.41%であることが示された。

関連論文リスト

• FuncGenFoil: Airfoil Generation and Editing Model in Function Space [63.274584650021744]
  本稿では,FuncGenFoilについて紹介する。FuncGenFoilは,翼形状を関数曲線として直接再構成する関数空間生成モデルである。 実証的な評価は、FuncGenFoilが翼生成における最先端の手法を改善することを示している。
  論文  参考訳（メタデータ） (2025-02-15T07:56:58Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation [7.136205674624813]
  拡散モデルを用いた翼生成のためのデータ駆動手法を提案する。 我々のモデルは、既存の翼のデータセットに基づいて訓練され、ランダムなベクトルから任意の数の新しい翼を生成することができる。
  論文  参考訳（メタデータ） (2024-08-28T16:12:16Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)
• Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape Optimization [9.432375767178284]
  本稿では,既存の翼から表現を自動的に学習し,学習した表現を用いて新しい翼を生成する,データ駆動型形状符号化・生成手法を提案する。 我々のモデルは、変分オートエンコーダとジェネレーティブ・アドバーサリアル・ネットワークを組み合わせたニューラルネットワークであるVAEGANに基づいて構築されており、勾配に基づく手法で訓練されている。
  論文  参考訳（メタデータ） (2021-01-12T21:25:45Z)

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。