Fugu-MT 論文翻訳(概要): IG-GAN: A Generative Adversarial Network for Aerodynamic Data Generation Based on Intrinsic Geometry

論文の概要: IG-GAN: A Generative Adversarial Network for Aerodynamic Data Generation Based on Intrinsic Geometry

arxiv url: http://arxiv.org/abs/2607.11497v1
Date: Mon, 13 Jul 2026 12:49:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 17:47:21.470852
Title: IG-GAN: A Generative Adversarial Network for Aerodynamic Data Generation Based on Intrinsic Geometry
Title（参考訳）: IG-GAN - 内在幾何学に基づく空力データ生成のための生成逆ネットワーク
Abstract要約: 空気力学分野におけるデータ生成のための固有幾何学に基づく生成逆数ネットワーク(IG-GAN)を提案する。 IG-GANのジェネレータは、ベジエ面によって構成された断片的に滑らかな多様体として空力データを表現している。実験の結果,IG-GANは平均二乗誤差(MSEs)を3つの基準線よりも低く予測した。
参考スコア（独自算出の注目度）: 6.222911706253805
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing generative models learn data distributions in flat Euclidean space. However, most data in our real world are manifolds embedded in high dimensional Euclidean space. Therefore, we propose an intrinsic-geometry-based generative adversarial network (IG-GAN) for data generation in the field of aerodynamics. The generator of the IG-GAN represents aerodynamic data as a piecewise smooth manifold constructed by Bézier surfaces, and the generator tries to learn the coefficients of each Bézier surface to further combine multiple Bézier surfaces into a smooth manifold automatically. The discriminator in the IG-GAN is a radial-basis-function based discriminator (RBF-D). Experimental results show that IG-GAN achieves lower predicted Mean Squared Errors (MSEs) than those of three baselines. Specifically, on the Burgers' equation dataset, IG-GAN reduces the predicted MSE of velocity u by 97.41% compared with state of the art SSL-Transformer. Additionally, on the ONERA M6 aircraft dataset, IG-GAN reduces the overall MSE of nine aerodynamic coefficients by 82.95% compared with SSL-Transformer.
Abstract（参考訳）: 既存の生成モデルは、平坦なユークリッド空間でデータ分布を学ぶ。しかし、実世界のほとんどのデータは高次元ユークリッド空間に埋め込まれた多様体である。そこで本研究では,エアロダイナミックス分野におけるデータ生成のための固有幾何学に基づく生成逆数ネットワーク(IG-GAN)を提案する。 IG-GAN の生成元はベジエ面によって構成された断片的に滑らかな多様体として空力データを表現し、生成元はベジエ面の係数を学習し、複数のベジエ面を滑らかな多様体に自動的に結合する。 IG-GANの判別器は放射基底関数に基づく判別器(RBF-D)である。実験の結果,IG-GANは3つの基準線よりも予測値の低い平均正方形誤差(MSEs)を達成できた。具体的には、バーガースの方程式データセットでは、IG-GANは最先端のSSL-Transformerと比較して、予測速度uのMSEを97.41%削減する。さらに、ONERA M6 の航空機データセットでは、IG-GAN はSSL-Transformer と比較して9つの空力係数の全体 MSE を82.95%削減している。

関連論文リスト

A Geometry-Aware Triplane Field Network for Vehicle Aerodynamic Prediction [7.1872832596556835]
本研究は,車両の空気力学的圧力と壁せん断応力予測のための幾何学的三面体ネットワーク(GTF-Net)という,機械学習に基づく手法を提案する。クエリ段階では、サンプリングされた三面体の特徴と車両の方向座標、正常射影特性、およびボクセルベースの曲率プロキシが組み合わされる。 GTF-Netは圧力予測において0.157から0.145、壁せん断応力予測において0.237から0.226までの相対L2誤差を改善する。
論文参考訳（メタデータ） (2026-06-05T16:25:09Z)
BlendedNet++: A Large-Scale Blended Wing Body Aerodynamics Dataset and Benchmark [4.128170991070137]
本稿では,BlendedNet++について紹介する。BlendedNet++は,BWB航空機を対象とする大規模空力データセットとベンチマークである。データセットには12,000以上のユニークなジオメトリが含まれており、それぞれが単一の飛行条件でシミュレートされ、安定したRANS CFDに対して12,490の空気力学的結果が得られる。このデータセットを用いて、フォワードサロゲートベンチマークを標準化し、6つのモデルファミリーのポイントワイドフィールドを予測する。本研究では, 条件付き拡散モデルを用いて, 一定飛行条件下で, 所定のリフト・アンド・ドラグ比を達成するための逆設計課題を提案する。
論文参考訳（メタデータ） (2025-12-02T22:39:07Z)
BlendedNet: A Blended Wing Body Aircraft Dataset and Surrogate Model for Aerodynamic Predictions [3.979560406015393]
BlendedNetは、999の混合翼体(BWB)ジオメトリーで公開されている空力データセットである。それぞれの幾何学は、およそ9つの飛行条件でシミュレートされ、スプラート・アルマラスモデルで8830の収束RANSと1ケースあたり9～1400万の細胞が生成される。
論文参考訳（メタデータ） (2025-09-08T20:43:14Z)
Geometric Operator Learning with Optimal Transport [77.16909146519227]
複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
論文参考訳（メタデータ） (2025-07-26T21:28:25Z)
A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文参考訳（メタデータ） (2024-12-12T16:05:39Z)
Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
論文参考訳（メタデータ） (2024-10-16T17:53:26Z)
ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
論文参考訳（メタデータ） (2024-08-20T14:49:14Z)
LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
論文参考訳（メタデータ） (2023-04-29T00:25:02Z)
Self Sparse Generative Adversarial Networks [73.590634413751]
GAN(Generative Adversarial Networks)は、敵対的トレーニングを通じてデータ分布を学習する監視されていない生成モデルである。本論文では,パラメータ空間を小さくし,ゼロ勾配問題を軽減するSelf Sparse Generative Adversarial Network (Self-Sparse GAN)を提案する。
論文参考訳（メタデータ） (2021-01-26T04:49:12Z)
Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文参考訳（メタデータ） (2020-04-05T01:50:16Z)

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。