論文の概要: Accelerating Bayesian inverse design in computational fluid dynamics using neural operators

• arxiv url: http://arxiv.org/abs/2605.26059v1
• Date: Mon, 25 May 2026 17:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.541443
• Title: Accelerating Bayesian inverse design in computational fluid dynamics using neural operators
• Title（参考訳）: ニューラル演算子を用いた計算流体力学におけるベイズ逆設計の高速化
• Authors: Bipin Tiwari, Omer San,
• Abstract要約: 後部構造を保ちながらMCMC推論ループに直接神経オペレーターを埋め込むことができることを示す。 完全に観察された間、代理ベースの推論はCFD参照の後方幾何学と不確実性傾向を再現する。
• 参考スコア（独自算出の注目度）: 0.24554686192257422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian inverse design provides a principled framework for inferring aerodynamic geometries from sparse flow observations while quantifying uncertainty. However, its practical use in computational fluid dynamics (CFD) is severely limited by the cost of repeated high-fidelity simulations required for gradient-based Markov chain Monte Carlo (MCMC) sampling. While surrogate models are commonly proposed to reduce this cost, their effect on posterior geometry and uncertainty, especially for shock-dominated flows, remains poorly understood. In this work, we demonstrate that neural operator surrogates can be embedded directly within the MCMC inference loop while preserving posterior structure. Using a fully Bayesian inverse formulation of quasi-one-dimensional nozzle flow, we demonstrate that geometry parameterization plays a decisive role in identifiability and posterior conditioning, with cubic B-splines yielding stable and physically meaningful uncertainty estimates. Building on this formulation, a Deep Operator Network trained on CFD-generated data is substituted for the CFD solver within a No-U-Turn Sampler, while keeping the likelihood model, priors, and sampling configuration unchanged. Across sparse to fully observed regimes, surrogate-based inference reproduces the posterior geometry and uncertainty trends of the CFD reference. As a result of surrogate integration, total inference time is reduced to under one second, corresponding to a speedup exceeding three orders of magnitude. In addition, a direct inverse neural operator is examined as a deterministic alternative for inverse design, enabling single-shot geometry reconstruction without posterior sampling. These results demonstrate that neural operator-accelerated Bayesian inference enables practical, uncertainty-aware inverse design workflows for aerodynamic applications.
• Abstract（参考訳）: ベイズ逆設計は、不確実性を定量化しながらスパースフロー観測から空力幾何学を推定するための原則化された枠組みを提供する。 しかし、計算流体力学(CFD)における実用的利用は、勾配に基づくマルコフ連鎖モンテカルロ(MCMC)サンプリングに必要な高忠実度シミュレーションの繰り返しコストによって著しく制限されている。 このコストを削減するためにサロゲートモデルが一般的に提案されているが、後部幾何学や不確実性、特に衝撃に支配された流れに対する影響はよく分かっていない。 本研究では, 後部構造を保ちながら, MCMC推論ループに直接, ニューラルネットワークのサロゲートを埋め込むことができることを示す。 準1次元ノズル流の完全ベイズ逆定式化を用いて、幾何パラメータ化が識別可能性および後続条件付けにおいて決定的な役割を果たすことを示す。 この定式化に基づいて、CFD生成データに基づいてトレーニングされたDeep Operator Networkは、No-U-Turn Sampler内のCFDソルバに代えて、可能性モデル、事前、サンプリング構成を変更せずに置換される。 完全に観察された状態に対して、代理ベースの推論はCFD参照の後部幾何学と不確実性傾向を再現する。 代理積分の結果、総推定時間は3桁を超えるスピードアップに対応する1秒未満に短縮される。 さらに, 直接逆ニューラル演算子を逆設計の決定論的代替品として検討し, 後部サンプリングなしで単発幾何再構成を可能にする。 これらの結果は,ニューラル演算子加速ベイズ推論が空力応用のための実用的で不確実性を考慮した逆設計ワークフローを実現することを実証している。

関連論文リスト

• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• FlowRefiner: Flow Matching-Based Iterative Refinement for 3D Turbulent Flow Simulation [22.1793816007531]
  FlowRefinerは3次元乱流シミュレーションのためのフローマッチングに基づく反復精製フレームワークである。 提案手法は, 科学的モデリングにおける反復的改良問題に適用可能である。
  論文  参考訳（メタデータ） (2026-04-18T21:17:00Z)
• A solver-in-the-loop framework for end-to-end differentiable coastal hydrodynamics [4.010598744735379]
  深度積分された非定常浅水方程式に基づいて, 微分可能な流体力学解法である AegirJAX を紹介する。 AegirJAX は連続計算グラフとしてタイムマーチング物理ループを扱う。 我々は、科学的な機械学習タスクのスイートでフレームワークの汎用性を実証する。
  論文  参考訳（メタデータ） (2026-04-08T14:21:47Z)
• Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
  本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T05:59:54Z)
• Emergent Manifold Separability during Reasoning in Large Language Models [46.78826734548872]
  Chain-of-Thoughtは大規模言語モデルの推論を大幅に改善する。 本研究では,潜伏表現の線形分離性について,探究訓練の難易度を考慮せずに定量化する。
  論文  参考訳（メタデータ） (2026-02-23T20:36:17Z)
• Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
  時系列生成には、フローマッチング(FM)がますます使われている。 一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。 インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
  論文  参考訳（メタデータ） (2026-02-09T06:48:45Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• SURGIN: SURrogate-guided Generative INversion for subsurface multiphase flow with quantified uncertainty [9.423344821042933]
  SURrogate-guided Generative Inversion framework for assimilation multiphase flow data。 SurGINはゼロショット条件生成機能を備えており、タスク固有のリトレーニングなしで、目に見えない監視データのリアルタイム同化を可能にする。 代用誘導ベイズ推論による生成学習を統一することにより、SURGINはパラメトリック汎函数空間における逆フローモデリングと不確実性定量化のための新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-09-16T15:42:22Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)

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。