論文の概要: A Graph Neural Network approach to zero-shot Digital Twins

• arxiv url: http://arxiv.org/abs/2607.20535v1
• Date: Fri, 10 Jul 2026 16:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.222177
• Title: A Graph Neural Network approach to zero-shot Digital Twins
• Title（参考訳）: ゼロショットディジタル双対に対するグラフニューラルネットワークアプローチ
• Abstract要約: 我々は,テクティットZero-Shot Digital Twinsのための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.86989372262348
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Traditional Predictive Digital Twins often remain geometrically rigid, requiring extensive retraining or fine-tuning whenever the underlying physical domain or boundary conditions change. To overcome this limitation, we present a novel framework for \textit{Zero-Shot Digital Twins} that seamlessly couples real-time visual perception with a geometry-agnostic, physics-informed reasoning engine. At the core of our architecture is the Thermodynamics-Informed Graph Neural Network architecture, a Geometric Deep Learning solver grounded in a metriplectic thermodynamic formalism that enforces energy conservation and non-negative entropy production locally through graph message passing. The framework integrates an auxiliary Graph Neural Network to infer unobservable fields (such as stress tensors or velocity and energy distributions) directly from sparse initial visual boundaries, mitigating numerical start-up transients. To bridge the sim-to-real gap, we implement a continuous closed-loop data assimilation mechanism; the pipeline tracks macroscopic deformations and free-surface fluid boundaries in real-time using deep segmentation networks combined with sparse optical flow, dynamically correcting the autoregressive simulation rollout and eliminating numerical drift. To test the validity of our approach, we demonstrate the extreme generalization capabilities of our approach across two disparate physical regimes: the large deformations of a viscoelastic beam and the non-linear sloshing of a viscous fluid. In both scenarios, the unified framework instantiates physically accurate simulations on novel, unseen geometries without case-specific retraining, operating well within real-time latency budgets (approximately 25 ms per frame) and enabling the direct projection of latent mechanical variables via Augmented Reality.
• Abstract（参考訳）: 従来の予測デジタルツインはしばしば幾何学的に厳密なままであり、基礎となる物理的領域や境界条件が変化するたびに、広範囲のトレーニングや微調整を必要とする。 この制限を克服するために、幾何学に依存しない物理インフォームド推論エンジンとリアルタイムの視覚知覚をシームレスに結合する「textit{Zero-Shot Digital Twins}」の新しいフレームワークを提案する。 我々のアーキテクチャの核となるのは熱力学インフォームドグラフニューラルネットワークアーキテクチャであり、これは幾何学的深層学習の解法で、エネルギー保存と非負のエントロピー生成をグラフメッセージパッシングを通じて局所的に行う。 このフレームワークは補助的なグラフニューラルネットワークを統合して、未観測領域(応力テンソルや速度やエネルギー分布など)を疎い初期視覚境界から直接推定し、数値的な起動トランジェントを緩和する。 パイプラインは, 深部セグメンテーションネットワークとスパース光流を併用し, 自己回帰シミュレーションロールアウトを動的に補正し, 数値ドリフトをなくし, マクロな変形と自由表面流体境界をリアルタイムに追跡する。 本手法の有効性を検証するため, 粘弾性ビームの大きな変形と粘性流体の非線形スロッシングの2つの異なる物理状態にまたがるアプローチの極端な一般化能力を実証した。 どちらのシナリオでも、統合されたフレームワークは、ケース固有のリトレーニングなしで、新しい未確認のジオメトリの物理的に正確なシミュレーションをインスタンス化し、リアルタイムの遅延予算(フレームあたり約25ミリ秒)内でうまく動作し、Augmented Realityを介して潜時機械変数の直接投影を可能にする。

関連論文リスト

• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• Emulating Cosmic Structure Formation with a Lagrangian Neural Cellular Automaton [0.0]
  本研究では,共振格子上の局所的反復的動的過程として構造形成に適用可能なハイブリッドディープラーニングフレームワークを提案する。 非線型物理学の高忠実なエミュレーションを実現するため,Zeldovich近似のテクスチレンス変位補正のみを学習するようにネットワークを訓練する。 トレーニングされたモデルでは、パワーとクロススペクトルのパーセンテージレベルの精度を非線形状態によくサポートしています。
  論文  参考訳（メタデータ） (2026-07-29T18:00:01Z)
• Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
  大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。 既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。 本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
  論文  参考訳（メタデータ） (2026-06-18T20:12:18Z)
• Eulerian Motion Guidance: Robust Image Animation via Bidirectional Geometric Consistency [74.90075313101933]
  本稿では、より局所的な監視設計により、同じ光フロープリミティブを再考する。 我々は隣接フレームのユーレアン運動場を用いて生成を誘導し、そこでは運動信号が常に短い時間ホップを記述する。 隣接するフレーム生成に共通するドリフトアーティファクトを軽減するために,双方向幾何整合機構を導入する。
  論文  参考訳（メタデータ） (2026-05-07T13:53:31Z)
• Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
  本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
  論文  参考訳（メタデータ） (2026-05-02T17:09:31Z)
• Momentum-Conserving Graph Neural Networks for Deformable Objects [64.91655405516482]
  建設によって運動量を正確に追跡する新しいアーキテクチャであるMomentumGNNを提案する。 制約のない結節加速度を出力する既存のGNNとは異なり、我々のモデルはエッジの伸張と曲げインパルスを予測する。 本稿では,モーメントが重要な役割を果たす多くの一般的なシナリオにおいて,本手法がベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-04-28T20:19:33Z)
• AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction [0.0]
  AeTHERONは共有高次元潜在空間における非線形流体-構造結合を学習する。 AeTHERONは、大規模渦トポロジーとウェイク構造を定性的忠実度で捉えている。 推論には1つのGPUで1時間に1ミリ秒かかるが、同等のDNS計算では数時間かかる。
  論文  参考訳（メタデータ） (2026-04-15T00:31:20Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Diffusion-Based Hierarchical Graph Neural Networks for Simulating Nonlinear Solid Mechanics [20.95722391593829]
  Rolling Diffusion-Batched Inference Network (ROBIN)は、2つの重要なイノベーションを統合する新しい学習シミュレータである。 ROBINは、ビーム曲げや多体接触のような現象に不可欠な微細な局所力学と大域的な構造効果の両方を捉えている。 幾何学的, 材料的, 接触非線形性を含む2次元および3次元固体力学ベンチマークにおいて, ROBINを検証した。
  論文  参考訳（メタデータ） (2025-06-06T12:46:36Z)
• Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
  本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。 また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
  論文  参考訳（メタデータ） (2023-09-08T02:44:37Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• 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。