論文の概要: A fully GPU-based workflow for building physics emulators of hypersonic flows
- arxiv url: http://arxiv.org/abs/2606.13742v1
- Date: Thu, 11 Jun 2026 13:11:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.538608
- Title: A fully GPU-based workflow for building physics emulators of hypersonic flows
- Title（参考訳）: 超音速流れの物理エミュレータ構築のためのフルGPUベースのワークフロー
- Abstract要約: 我々は、高速なデータ生成とニューラルエミュレータのトレーニングを統合する、完全にGPUベースのワークフローを導入する。
我々のワークフローは、高速データセット作成に使用する差別化可能な高忠実度ソルバ(JAX-Fluids)によって実現されます。
残差ベースの改良により,メッシュパラメータと入力パラメータのみを使用可能な場合のトレーニングが可能になることを示す。
- 参考スコア（独自算出の注目度）: 19.30378769937708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to resolve complex physical phenomena with high fidelity and at low computational cost is central to addressing key challenges in modern engineering. A prime example lies in hypersonic flows, where the precise prediction of the full flowfield topology, in particular with respect to shock wave location and intensity, is critical. Yet supersonic and hypersonic flows continue to be a stumbling block for traditional reduced-order models and neural emulators that struggle to capture steep gradients in flow states with physical consistency in applications of industrial relevance. To that end, we introduce a fully GPU based workflow that integrates accelerated data generation with the training of neural emulators augmented by uncertainty quantification and physics-aware refinement. Our workflow is enabled by a differentiable high-fidelity solver (JAX-Fluids) which we employ for rapid dataset creation and residual-based improvement of the neural emulator to enhance physical consistency. Building on this framework, we first present a suite of model architectures and analyze their scaling behavior to expose their strengths and shortcomings. We then show that residual-based refinement enables training on cases where only mesh and input parameters are available, substantially reducing residuals and improving physical consistency. Together, differentiable simulation and residual-based refinement yield physics emulators that remain reliable beyond their training distribution, a key requirement for deploying surrogates in real-world engineering design loops.
- Abstract（参考訳）: 複雑な物理現象を高い忠実さと低い計算コストで解決する能力は、現代の工学における重要な課題に対処する中心となる。
主な例としては超音速流があり、特に衝撃波の位置と強度に関して、フルフローフィールドトポロジーの正確な予測が重要である。
しかし、超音速・超音速流は、産業関連性の適用において物理的に整合性のある流れ状態の急勾配を捉えるのに苦慮する伝統的な低次モデルやニューラルエミュレータにとって、いまだに不安定なブロックである。
そのために、高速化されたデータ生成と、不確実な定量化と物理認識の洗練によって強化されたニューラルエミュレータのトレーニングを統合する、完全なGPUベースのワークフローを導入する。
我々のワークフローは、高速データセット作成とニューラルネットワークエミュレータの残差に基づく改善のために使用される差別化可能な高忠実解法(JAX-Fluids)によって実現されている。
このフレームワーク上に構築されたモデルアーキテクチャのスイートをまず提示し、そのスケーリング挙動を分析して、その強みと欠点を明らかにする。
次に、残差に基づく改善により、メッシュと入力パラメータのみが利用可能である場合のトレーニングが可能になり、残差を大幅に低減し、物理的整合性を向上させることができることを示す。
差別化可能なシミュレーションと残留基の洗練された物理エミュレータは、実世界のエンジニアリング設計ループにサロゲートを配置するための重要な要件であるトレーニング分布を超えて信頼性が保たれる。
関連論文リスト
- Recursive Flow Matching [26.525851478512678]
本稿では,複雑な力学を予測するための生成フレームワークRecursive Flow Matching (RecFM)を紹介する。
RecFMは、離散化スケールを調整するための自己整合性を強制し、離散化エラーを低減し、物理ベースのタスクのメトリクス間でのパフォーマンスを改善する。
論文 参考訳（メタデータ） (2026-05-26T04:32:01Z) - DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。
コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
論文 参考訳（メタデータ） (2026-02-27T15:35:30Z) - PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。
本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。
このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
論文 参考訳（メタデータ） (2026-01-16T08:40:10Z) - QML-HCS: A Hypercausal Quantum Machine Learning Framework for Non-Stationary Environments [0.0]
QML-HCSは量子インスパイアされた機械学習モデルの構築と分析のための研究グレードのフレームワークである。
可逆変換、マルチパス因果伝播、ドリフト中の代替状態の評価が可能な超因果処理コアを実装している。
アーキテクチャには継続的フィードバックが組み込まれており、因果一貫性を維持し、完全な再トレーニングを必要とせずにモデル動作を調整する。
論文 参考訳（メタデータ） (2025-11-18T17:50:49Z) - Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling [0.8999666725996978]
沿岸部では、嵐の急増、高潮、豪雨、河川の流出など、複数のドライバーが一緒に、あるいは連続して起こる複合的な洪水に直面している。
従来の流体力学モデルは正確な物理に基づくシミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。
本研究では, 複合洪水モデルにおいて, 完全な浅水力学を強制する物理インフォームドニューラルネットワークフレームワークであるALPINEを開発することにより, これらの課題に対処する。
論文 参考訳（メタデータ） (2025-07-20T16:06:10Z) - OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。
本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。
テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
論文 参考訳（メタデータ） (2025-06-12T16:23:02Z) - Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。
グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。
最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
論文 参考訳（メタデータ） (2023-09-13T08:16:15Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。
既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。
本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
論文 参考訳（メタデータ） (2022-06-14T03:38:08Z)
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。