論文の概要: Operator Learning for Reconstructing Flow Fields from Sparse Measurements: a Language Model Approach

• arxiv url: http://arxiv.org/abs/2605.23712v1
• Date: Fri, 22 May 2026 14:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.399865
• Title: Operator Learning for Reconstructing Flow Fields from Sparse Measurements: a Language Model Approach
• Title（参考訳）: スパース計測による流れ場再構成のための演算子学習:言語モデルによるアプローチ
• Authors: Qian Zhang, George Em Karniadakis,
• Abstract要約: スパース測定から流れ場を再構築することは流体力学の基本的な問題である。 メッシュフリーでフロー再構成を行うために,言語モデルのアーキテクチャを活用する新しい演算子学習フレームワークを提案する。 提案手法を4つのベンチマークデータセットで評価する。
• 参考スコア（独自算出の注目度）: 6.823452975246462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing flow fields from sparse measurements is a fundamental problem in fluid mechanics with broad implications for modeling, control, and design. In this work, we propose a novel operator learning framework that leverages the architecture of language models to perform flow reconstruction in a mesh-free manner. We reformulate flow field reconstruction as a sequence-to-sequence learning task, where sparse measurements are treated as context and unobserved locations as queries. Our model learns to reconstruct the full flow field from sparse inputs, effectively capturing spatial correlations and long-range dependencies. We evaluate the proposed approach on four benchmark datasets: (1) two-dimensional vortex street simulations, (2) daily average temperature data across the contiguous United States, (3) three-dimensional blood flow simulations based on dissipative particle dynamics, and (4) three-dimensional turbulent jet flow measurements obtained via particle tracking velocimetry. Across all cases, our method demonstrates competitive reconstruction accuracy, even with highly incomplete data (less than 10\% observed), and achieves efficient performance. The results highlight the potential of language models as robust and scalable tools for scientific data reconstruction, and suggest a promising direction toward the development of foundation models for scientific and engineering applications.
• Abstract（参考訳）: スパース測定から流れ場を再構成することは、モデリング、制御、設計に幅広い意味を持つ流体力学の基本的な問題である。 本研究では,言語モデルのアーキテクチャを活用して,メッシュフリーでフロー再構成を行う演算子学習フレームワークを提案する。 本研究では,フローフィールド再構成をシーケンス・ツー・シーケンス学習タスクとして再構成し,スパース計測をコンテキストとして扱い,未観測位置をクエリとして扱う。 本モデルでは, 空間相関と長距離依存性を効果的に把握し, スパース入力から全流れ場を再構築する。 提案手法は,(1)2次元渦路シミュレーション,(2)連続米国における日平均気温データ,(3)散逸性粒子動力学に基づく3次元血流シミュレーション,(4)粒子追跡速度測定により得られた3次元乱流噴流計測の4つのベンチマークデータセットに対して評価した。 いずれの場合も, 高い不完全なデータ(10倍未満)であっても, 競合する復元精度を示し, 効率的な性能を実現する。 この結果は、科学的データ再構成のための堅牢でスケーラブルなツールとしての言語モデルの可能性を強調し、科学的・工学的応用のための基礎モデルの開発に向けた有望な方向性を示唆している。

関連論文リスト

• AutoHood3D: A Multi-Modal Benchmark for Automotive Hood Design and Fluid-Structure Interaction [0.0]
  このデータセットは,ロータリーディップ塗装時の流体巻き込みおよび慣性負荷による実用的多物理問題フード変形を中心に構築されている。 各フードは、合計1.2Mセルを用いたLES(Large-Eddy Simulation)-Finite Element Analysis(FEA)で数値モデル化される。 データセットは、STLメッシュと構造化された自然言語プロンプトとともに、時間分解された物理フィールドを提供する。
  論文  参考訳（メタデータ） (2025-11-05T14:09:03Z)
• Guiding diffusion models to reconstruct flow fields from sparse data [25.34099672176622]
  本研究では,高忠実度サンプルの再構成を可能にする拡散モデルのための新しいサンプリング手法を提案する。 本手法は流体構造予測において他の拡散法よりも常に優れる。 本研究では,流れ場データ再構成における拡散モデルの顕著な可能性について述べる。
  論文  参考訳（メタデータ） (2025-10-22T19:01:50Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Operator Learning for Reconstructing Flow Fields from Sparse Measurements: an Energy Transformer Approach [8.156288231122543]
  本稿では,エネルギー変換器を用いて再構成問題を解決するための新しい演算子学習フレームワークを提案する。 不完全な観測データから完全に再構成されたフィールドへのマッピングとして再構成を定式化する。 その結果、ETは複雑な流れ場を高度に不完全なデータから正確に再構築できることを示した。
  論文  参考訳（メタデータ） (2025-01-02T19:24:19Z)
• Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
  本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。 基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
  論文  参考訳（メタデータ） (2024-12-18T14:39:43Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Learning Similarity Metrics for Volumetric Simulations with Multiscale CNNs [25.253880881581956]
  本研究では,エントロピーに基づく類似性モデルを提案する。 我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。 ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-08T19:19:08Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)

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。