論文の概要: Physics-Preserving Latent Compression for Zero-Shot Resolution Transfer in 3D Turbulence

• arxiv url: http://arxiv.org/abs/2606.21781v1
• Date: Fri, 19 Jun 2026 22:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 03:18:42.898456
• Title: Physics-Preserving Latent Compression for Zero-Shot Resolution Transfer in 3D Turbulence
• Title（参考訳）: 3次元乱流におけるゼロショット分解能伝達のための物理保存遅延圧縮
• Authors: Yilong Dai, Yiming Sun, Yiheng Chen, Ziyi Wang, Shengyu Chen, Xiaowei Jia, Runlong Yu,
• Abstract要約: 高分解能乱流モデリングは科学計算に不可欠である。 既存の科学圧縮機はストレージを減らすが、通常はフレーム単位の表現で動作する。 本研究では3次元乱流に対するパッチローカル遅延圧縮機PPLCを提案する。
• 参考スコア（独自算出の注目度）: 23.18933468902136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution turbulence modeling is essential for scientific computing, but remains constrained by the cost of direct numerical simulation and the scarcity of full-resolution data. Existing scientific compressors reduce storage but typically operate on per-frame representations, whereas learned compressors yield compact latents that are often resolution-dependent and weakly aligned with the physics of turbulence. This raises the need for a compression framework that reduces data size, preserves physical diagnostics, and transfers from low-resolution training fields to high-resolution test fields without retraining. In this paper, we propose Physics-Preserving Latent Compression (PPLC), a patch-local latent compressor for three-dimensional turbulence. Motivated by inertial-range scale similarity, PPLC treats fixed-size patches as transferable units and applies a shared variational autoencoder independently of the global grid size. It combines exact mean preservation, zero-mean fluctuation encoding, an invertible Haar wavelet front-end, shift-consistency regularization, and overlap-aware reconstruction. Instantiated on forced isotropic turbulence, PPLC is trained only on stride-downsampled 256^3 fields and transfers zero-shot to 1024^3 fields. Experiments show that PPLC improves the balance between reconstruction accuracy and physical fidelity over classical and learned baselines, keeping diagnostics such as dissipation, enstrophy, energy spectra, and incompressibility closer to the ground truth. Beyond turbulence compression, PPLC offers a general strategy for physics-preserving latent representations that support data-efficient scientific surrogate modeling.
• Abstract（参考訳）: 高分解能乱流モデリングは科学計算には不可欠であるが、直接数値シミュレーションのコストと完全分解能データの不足に制約されている。 既存の科学圧縮機は記憶量を減少させるが、典型的にはフレーム単位の表現で機能するが、学習圧縮機は分解能に依存し、乱流の物理学と弱い整合性を持つコンパクトな潜水剤を生産する。 これにより、データサイズを削減し、物理的診断を保存し、低解像度のトレーニングフィールドから高解像度のテストフィールドに再トレーニングすることなく移行する圧縮フレームワークの必要性が高まる。 本稿では,3次元乱流に対するパッチローカル遅延圧縮機PPLCを提案する。 PPLCは慣性スケールの類似性によって動機付けられ、固定サイズパッチを転送可能な単位として扱い、グローバルグリッドサイズとは無関係に共有変分オートエンコーダを適用する。 正確な平均保存、ゼロ平均ゆらぎ符号化、可逆的ハールウェーブレットフロントエンド、シフト一貫性の正規化、重複認識の再構築を組み合わせている。 強制等方性乱流に基づくPPLCは、ストライドダウンサンプリングされた256^3フィールドでのみ訓練され、ゼロショットを1024^3フィールドに転送する。 実験により、PPLCは古典的ベースラインと学習的ベースラインとの再現精度と物理的忠実さのバランスを改善し、散逸、エンストロフィー、エネルギースペクトル、非圧縮性などの診断を地上真実に近づけることを示した。 PPLCは乱流圧縮以外にも、データ効率のよい科学的代理モデリングをサポートする物理保存潜在表現の一般的な戦略を提供する。

関連論文リスト

• SAFE-SVD: Sensitivity-Aware Fidelity-Enforcing SVD for Physics Foundation Models [8.53361303062229]
  本稿では,AI科学の新しいトレンドである物理基礎モデル(PFM)の圧縮手法を提案する。 実験では、複数のモデルやデータセットにまたがる既存の手法よりも大幅に向上し、精度を維持しながら圧縮率を大幅に向上する。
  論文  参考訳（メタデータ） (2026-05-18T07:40:46Z)
• An Efficient Gradient-Aware Error-Bounded Lossy Compressor for Federated Learning [7.649286962189554]
  フェデレートラーニング(FL)は、クライアントのプライベートデータを公開せずに、協調的なモデルトレーニングを可能にする。 EBLCは特に、細粒度のユーティリティ圧縮トレードオフをアピールしている。 モデル精度を保ちながら高い圧縮率を達成するために,FL勾配データに適したEBLCフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-07T23:59:09Z)
• LLMComp: A Language Modeling Paradigm for Error-Bounded Scientific Data Compression (Technical Report) [4.2414540423650795]
  LLMCOMPは、デコーダのみの大規模言語モデルを利用して科学的データをモデル化する、失われた圧縮パラダイムである。 常に最先端の圧縮機を上回り、厳密な誤差境界の下で最大30%高い圧縮比を達成する。
  論文  参考訳（メタデータ） (2025-10-24T05:41:04Z)
• Breaking the Compression Ceiling: Data-Free Pipeline for Ultra-Efficient Delta Compression [57.71917274869577]
  UltraDeltaはデータフリーのデルタ圧縮パイプラインで、超高圧縮と強力なパフォーマンスを実現する。 UltraDeltaは、冗長性を最小化し、情報を最大化し、層間、層内、大域的な寸法で性能を安定させるように設計されている。
  論文  参考訳（メタデータ） (2025-05-19T10:37:22Z)
• E-3SFC: Communication-Efficient Federated Learning with Double-way Features Synthesizing [23.586844019776024]
  モデルサイズの指数的成長は、学習(FL)における通信負担を大幅に増加させた。 圧縮勾配を伝送することでこの負担を軽減する既存の手法は、高い圧縮誤差に直面し、モデルの性能を低下させる。 本研究では,拡張シングルステップ合成機能と呼ばれる体系的アルゴリズムを提案する。 E-3SFCは3つのサブコンポーネント、すなわちSingle-Step Synthetic Features (3SFC)、ダブルウェイ圧縮アルゴリズム、通信予算スケジューラから構成される。
  論文  参考訳（メタデータ） (2025-02-05T11:31:21Z)
• Foundation Model for Lossy Compression of Spatiotemporal Scientific Data [11.494915987840876]
  損失のある科学的データ圧縮のための基礎モデル(FM)を提案する。 可変オートエンコーダ(E)と超高次構造と超高分解能(SR)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-22T22:57:08Z)
• MoDeGPT: Modular Decomposition for Large Language Model Compression [59.361006801465344]
  本稿では,新しい構造化圧縮フレームワークである textbfModular bfDecomposition (MoDeGPT) を紹介する。 MoDeGPTはTransformerブロックを行列対からなるモジュールに分割し、隠れた次元を減らす。 本実験では, 後方伝播を伴わないMoDeGPTが, 従来の圧縮手法と一致するか, あるいは超えていることを示す。
  論文  参考訳（メタデータ） (2024-08-19T01:30:14Z)

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。