論文の概要: High-Fidelity Industrial Crash Dynamics Prediction via Geometry-Aware Operator Learning with Memory-Efficient Low-Rank Attention

• arxiv url: http://arxiv.org/abs/2605.27758v1
• Date: Tue, 26 May 2026 23:15:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.592092
• Title: High-Fidelity Industrial Crash Dynamics Prediction via Geometry-Aware Operator Learning with Memory-Efficient Low-Rank Attention
• Title（参考訳）: 形状認識型演算子学習による高忠実度産業クラッシュダイナミクス予測
• Authors: Deepak Akhare, Mohammad Amin Nabian, Corey Adams, Sudeep Chavare, Sanjay Choudhry,
• Abstract要約: 我々は,GeoTransolverフレームワークが,産業規模での高精度かつ高忠実なクラッシュダイナミクス予測に有効なソリューションであることを示す。 ワンショット、時間条件、自動回帰ロールアウト戦略は、トレーニングオーバーヘッドと推論遅延を著しく低減し、最先端の精度を実現する。 本結果は,複雑な安全クリティカルな自動車力学の高忠実なサロゲートモデリングのための幾何認識演算子学習の実用性を強調した。
• 参考スコア（独自算出の注目度）: 0.2174820084855635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automotive crashworthiness optimization remains a safety-critical challenge, requiring the management of large-scale nonlinear structural deformations and energy dissipation through iterative, high-fidelity simulations. While traditional finite element solvers are computationally prohibitive, emerging operator learning frameworks provide rapid surrogate predictions; however, applying them to industrial-scale crash analysis, where complex geometry, contact nonlinearities, and rapidly evolving transient deformation coexist, remains an open challenge. In this paper, we demonstrate that the GeoTransolver framework provides a viable solution for accurate, high-fidelity crash dynamics prediction at industrial scale. Benchmarked on complex bumper beam and full-vehicle crash datasets, GeoTransolver captures multi-scale geometric context and accurately resolves plastic deformation patterns as well as acceleration profiles at critical occupant locations. Beyond the architecture itself, we propose and systematically evaluate a suite of temporal prediction recipes, including one-shot, time-conditional, and autoregressive rollout strategies, demonstrating that the one-shot approach achieves state-of-the-art accuracy with significantly reduced training overhead and inference latency. As a secondary contribution, we introduce a Fast Low-rank Attention Routing Engine (FLARE)-based modification to the GeoTransolver attention backbone that reduces memory overhead by approximately 2x while further improving predictive accuracy for O(N) long-range, high-frequency transients, preserving the geometry-aware cross-attention strengths of the base framework. Our results highlight the practical viability of geometry-aware operator learning for high-fidelity surrogate modeling of complex, safety-critical automotive dynamics.
• Abstract（参考訳）: 自動車の耐クラッシュ性最適化は、繰り返し高忠実度シミュレーションによる大規模非線形構造変形とエネルギー散逸の管理を必要とするため、安全上重要な課題である。 従来の有限要素解法は計算が禁じられているが、新興演算子学習フレームワークは急激なサロゲート予測を提供するが、複雑な幾何学、接触非線形性、急激な過渡変形が共存する産業規模のクラッシュ解析に適用することは依然として未解決の課題である。 本稿では,GeoTransolverフレームワークが産業規模での高精度かつ高忠実なクラッシュダイナミクス予測に有効なソリューションであることを示す。 複雑なバンパービームとフルサイクルのクラッシュデータセットに基づいてベンチマークされたGeoTransolverは、マルチスケールの幾何学的コンテキストをキャプチャし、プラスチックの変形パターンを正確に解決し、重要な占有位置での加速度プロファイルを生成する。 アーキテクチャ自体以外にも、ワンショット、時間条件、自動回帰的なロールアウト戦略を含む、時間予測の一連のレシピを提案し、体系的に評価し、ワンショットアプローチが最先端の精度を達成し、トレーニングオーバーヘッドと推論レイテンシを著しく低減することを示した。 二次的貢献として,GeoTransolverのアテンションバックボーンにFLARE(Fast Low-rank Attention Routing Engine)ベースの修正を導入し,メモリオーバーヘッドを約2倍に削減するとともに,O(N)長距離高周波の予測精度を向上し,ベースフレームワークの幾何認識のクロスアテンション強度を維持する。 本結果は,複雑な安全クリティカルな自動車力学の高忠実なサロゲートモデリングのための幾何認識演算子学習の実用性を強調した。

関連論文リスト

• Crash Assessment via Mesh-Based Graph Neural Networks and Physics-Aware Attention [0.0]
  ニューラルサロゲートが、十分な精度、空間的規則性、および工学的解釈のための構造的妥当性で、フルフィールド・クラッシュ・キネマティクスを再現できるかどうかを評価する。 提案アーキテクチャは, 局所メッシュメッセージパッシング, ジオメトリ対応のグローバルアテンション, 自動回帰クラッシュロールアウトのための疎接触対応補正を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-05-12T08:50:49Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Automotive Crash Dynamics Modeling Accelerated with Machine Learning [0.739600786135545]
  我々は、NVIDIA PhysicsNeMoフレームワークを用いて、クラッシュシナリオにおける構造変形の効率的な予測のための機械学習に基づくサロゲートモデルを開発した。 クラッシュダイナミクスをモデル化するための2つの最先端ニューラルネットワークアーキテクチャ、MeshGraphNetとTransolverについて検討する。 モデルでは、全体的な変形傾向を合理的な忠実さで捉え、構造的クラッシュダイナミクスに機械学習を適用する可能性を示している。
  論文  参考訳（メタデータ） (2025-10-17T00:03:33Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• World Model-Based End-to-End Scene Generation for Accident Anticipation in Autonomous Driving [1.8277374107085946]
  本稿では,生成的拡張シーンと適応的時間的推論を組み合わせた包括的枠組みを提案する。 我々は、高解像度で統計的に一貫した運転シナリオを作成するために、ドメインインフォームドプロンプトによって世界モデルを利用するビデオ生成パイプラインを開発した。 並列に、強化グラフ畳み込みと拡張時間演算子を通して時間関係を符号化する動的予測モデルを構築する。
  論文  参考訳（メタデータ） (2025-07-17T03:34:54Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)

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。