論文の概要: One-Step Flow Matching for Generative Modeling of Path-Dependent Physical Fields

• arxiv url: http://arxiv.org/abs/2606.22752v1
• Date: Mon, 22 Jun 2026 01:45:59 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-24 20:32:23.837468
• Title: One-Step Flow Matching for Generative Modeling of Path-Dependent Physical Fields
• Title（参考訳）: 経路依存体場生成モデルのためのワンステップフローマッチング
• Authors: Yijing Zhou, Jasmin Jelovica,
• Abstract要約: 高分解能パス依存応力場生成のためのトランスバータバックボーンに基づくフローマッチング(FM)モデル 提案モデルは,変分オートエンコーダ(VAE)の潜時空間内で動作し,ビデオ合成タスクとしてプラスチックフィールドのシミュレーションを定式化する。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License:
• Abstract: Physical simulations for intricate geometries with path-dependent constitutive models face difficulties due to the enormous computational cost they require. Recently, the emergence of generative AI models, which succeed in image and video synthesis tasks, has provided a promise to further improve simulations. Although U-Net-based denoising diffusion probabilistic models (DDPMs) have been adopted for elastic stress field generation, they typically require hundreds of sampling steps, and applications of generative models to path-dependent, e.g. plastic, stress fields remain very limited. In this work, we propose a novel flow matching (FM) model based on a transformer backbone for high-resolution path-dependent stress field generation with stochastic loading-unloading paths and geometry. The proposed model operates within the latent space of a variational autoencoder (VAE) and formulates the simulation of plastic fields as a video synthesis task, directly generating the stress fields across all time steps. Meanwhile, we design a non-Gaussian source distribution for flow matching, such that crossings among conditional transport paths are reduced during training. This enables our model to generate satisfactory samples in one step without relying on distillation. In addition, we introduce token-level loading embeddings and two auxiliary networks to further enhance the model performance in path-dependent simulation. The results demonstrate that, even with a limited training dataset, our model can accurately generate high-resolution path-dependent fields. It is much more computationally efficient than finite element analysis, providing a speedup of 6 to 7 times over FEM on CPUs and approximately two orders of magnitude speedup on consumer-grade GPUs.
• Abstract（参考訳）: 経路依存構成モデルを持つ複雑な幾何学の物理シミュレーションは、それらが必要とする膨大な計算コストのために困難に直面している。 近年、画像合成タスクやビデオ合成タスクに成功している生成AIモデルの出現は、シミュレーションをさらに改善することを約束している。 U-Net-based denoising diffusion probabilistic model (DDPMs) は弾性応力場生成に採用されているが、通常数百のサンプリングステップが必要であり、生成モデルのパス依存、例えばプラスチックへの応用は、応力場が非常に限定的である。 本研究では,高分解能パス依存応力場生成のためのトランスフォーマーバックボーンに基づく新しい流れマッチング(FM)モデルを提案する。 提案モデルは,変分オートエンコーダ(VAE)の潜時空間内で動作し,ビデオ合成タスクとしてプラスチックフィールドのシミュレーションを定式化し,全時間ステップにわたって直接応力場を生成する。 一方,条件付き輸送路間の交差が訓練中に減少するように,非ガウス音源のフローマッチングを設計する。 これにより, 蒸留に頼ることなく, 良好な試料を1段階で生成することができる。 さらに、経路依存シミュレーションにおけるモデル性能をさらに向上するために、トークンレベルのロード埋め込みと2つの補助ネットワークを導入する。 その結果,訓練データセットが限られた場合でも,高精度なパス依存フィールドを正確に生成できることが示唆された。 有限要素解析よりも計算効率が良く、CPU上のFEMの6倍から7倍のスピードアップと、コンシューマグレードのGPUの約2桁のスピードアップを提供する。

関連論文リスト

• One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
  W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。 我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
  論文  参考訳（メタデータ） (2026-05-12T08:29:44Z)
• On Approaches to Building Surrogate ODE Models for Diffusion Bridges [39.92969675794945]
  拡散とシュルディンガーブリッジモデルは、生成モデリングにおける最先端の性能を確立している。 これらのモデルは、しばしば計算コストと複雑な訓練手順によって妨げられる。 この研究は、代理モデルを使用してよりシンプルで、より速く、より柔軟なこれらのダイナミクスの近似を作成する新しいパラダイムを導入している。
  論文  参考訳（メタデータ） (2025-12-14T12:49:38Z)
• Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models [52.74448905289362]
  EqMは、平衡力学の観点から構築された生成モデリングフレームワークである。 時間条件の速度を統一された平衡景観に置き換えることで、EqMは流れとエネルギーベースのモデルの間により緊密な橋渡しを提供する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:06Z)
• Flow marching for a generative PDE foundation model [0.0]
  本稿では,物理力学系における誤り蓄積の解析によって動機付けられたフローマッチングを用いて,ニューラル演算子の学習をブリッジするアルゴリズムであるフローマーチングを提案する。 また,物理制約付き変分オートエンコーダ(P2E)を導入し,物理軌道をコンパクトな潜在空間に埋め込む。 異なる12種類のPDEファミリーおよびP2EとFMTのトレインスイートの2.5Mトラジェクトリを複数スケールでキュレートする。
  論文  参考訳（メタデータ） (2025-09-23T04:00:41Z)
• Flow Matching for Geometric Trajectory Simulation [4.271235935891555]
  N体系は、分子動力学、生化学、歩行者動力学など幅広い分野の応用において基本的な問題である。 機械学習は、物理ベースのシミュレータをスケールし、実験データから直接モデルを開発する上で、貴重なツールとなっている。 現実的な軌跡を生成するためには、既存の手法は、非情報ノイズから始まる複雑な変換を学習し、ドメインインフォームド先行の活用を許さない必要がある。 本稿では,この制限に対処するためにSTFlowを提案する。フローマッチングとデータ依存結合を利用して,モデル表現率やスケーラビリティを犠牲にすることなく,幾何学的軌道の物理インフォームドシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2025-05-24T11:18:59Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• 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)
• Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media [0.0]
  データ駆動サロゲートモデリングは、高忠実度数値シミュレータの安価な代替手段を提供する。 CNNは偏微分方程式の解を近似するのに強力であるが、CNNが不規則かつ非構造的なシミュレーションメッシュを扱うことは依然として困難である。 グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と多孔質媒体の輸送過程の時空間解を近似する。
  論文  参考訳（メタデータ） (2023-07-10T09:59:35Z)

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。