論文の概要: No Free Lunch in Flow Surrogates under Time-Varying Boundary Conditions: A Two-Regime Study

• arxiv url: http://arxiv.org/abs/2607.23667v1
• Date: Sun, 26 Jul 2026 14:02:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.183244
• Title: No Free Lunch in Flow Surrogates under Time-Varying Boundary Conditions: A Two-Regime Study
• Title（参考訳）: 時間変化境界条件下でのフローサロゲートのフリーランチなし:2報
• Abstract要約: 単純な状態で検証されたフローサロゲートは、このアプローチがよりリッチなものにもたらされる証拠として、しばしば見なされる。 プロセス起動を模擬した時間変化境界条件下で, この仮定を2つの過渡流上で検証する。
• 参考スコア（独自算出の注目度）: 0.48127184936824546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A flow surrogate validated on a simple regime is often taken as evidence that the approach will carry to a richer one. We test this assumption on two transient flows under time-varying boundary conditions emulating the process startup: the three-dimensional slurry film in chemical-mechanical planarisation (CMP), a core semiconductor-manufacturing process, and the two-dimensional Karman vortex street (KVS) behind a cylinder. Eight surrogate models are compared on one shared evaluation pipeline, differing in whether they learn the full field or a latent representation, and whether they predict trajectories in one shot or step by step. No single architecture wins both regimes. On the film, a one-shot full-field model reconstructs the process-relevant cumulative wall shear stress to 3.2% relative error. On the wake, a latent autoregressive DeepONet retains 96% of the shedding power that direct and one-shot models damp to almost zero. The deciding axis is the treatment of time. The self-sustained wake requires the phase memory that autoregressive feedback provides, while the boundary-driven film rewards a direct map. Pointwise RMSE picks the wrong model in both regimes, so the evaluation scores five physical questions instead, the field, its structure, invented motion, amplitude, and timing. The trained surrogates answer queries $10^3$ to $10^4$ times faster than the finite-element solver, but the offline cost of the training simulations means they pay off from the first query beyond the training set for CMP and the third for the KVS. The choice of surrogate should follow the dynamical character of the target flow, and its validation should use failure-mode-resolved metrics, since neither the winning architecture nor its validation transfers.
• Abstract（参考訳）: 単純な状態で検証されたフローサロゲートは、このアプローチがよりリッチなものへもたらされる証拠として、しばしば見なされる。 この仮定は, プロセス起動を模擬した時間変化境界条件下での2つの過渡流, 化学メカニカルプラナライゼーション(CMP)における3次元スラリー膜, コア半導体製造プロセス, シリンダー後方の2次元カルマン渦路(KVS)について検証する。 8つのサロゲートモデルを1つの共有評価パイプラインで比較し、フルフィールドと潜在表現を学習するか、1ショットで軌跡を予測するか、ステップごとに予測するかが異なる。 両体制とも単一のアーキテクチャが勝利することはない。 フィルム上では、ワンショットフルフィールドモデルにより、プロセス関連累積壁せん断応力を3.2%の相対誤差に再構成する。 その時、潜伏した自己回帰型DeepONetは、直撃モデルと単発モデルがほぼゼロに減衰するシャーディングパワーの96%を保持していた。 決定軸は時間の処理である。 自己持続的なウェイクは自己回帰フィードバックが提供するフェーズメモリを必要とし、境界駆動フィルムは直接マップに報酬を与える。 RMSEは両体制で間違ったモデルを選択するため、評価はフィールド、その構造、発明された動き、振幅、タイミングの5つの物理的疑問をスコアする。 トレーニングされたサロゲートは、有限要素ソルバの10^3$から10^4$の速さで回答するが、トレーニングシミュレーションのオフラインコストは、CMPのトレーニングセットを超える最初のクエリと、KVSの3番目のクエリから支払うことを意味する。 シュロゲートの選択は、ターゲットフローの動的特性に従い、そのバリデーションは、入賞したアーキテクチャでも、そのバリデーションの転送でもないので、失敗モード解決のメトリクスを使用するべきである。

関連論文リスト

• Source Distribution Estimation by Posterior Averaging [0.0]
  シミュレーションに基づく科学は、プッシュフォワードが実観測の集合を再現するシミュレーターパラメータの上の分布を必要とすることが多い。 既存のメソッドは、事前の固定された提案からトレーニングされた可能性のあるサロゲートに対して、ソースに適合する。 提案手法は, 現在の推定値から得られた新しいシミュレーションに基づいて, E-step を補正し, M-step は観測データよりも後方の平均値に補正する。
  論文  参考訳（メタデータ） (2026-09-02T14:01:54Z)
• Knowing When to Ask for Help: Bayesian Self-Escalation in Hierarchical LLM Agents [0.0]
  現在のエージェントシステムは、推論を開始する前にデリゲートを決定する。 我々は第3の体制について研究し、それは成功しそうもないと自覚するエージェントである。
  論文  参考訳（メタデータ） (2026-08-25T05:35:07Z)
• When Does Learning to Stop Help? A Cost-Aware Study of Early Exits in Reasoning Models [4.8190992438931035]
  LearnStopは、プレフィックスオブザーバブルな機能の上に隠された状態のないロジスティックストッパーである。 学習は、答えが振動し、正しさの証拠が広がる場所を給与する。 コスト計算は、KVキャッシュでトークンを32%節約するのと同じ方針で、ブラックボックスの繰り返しプリフィルで121%余分なコストがかかる。
  論文  参考訳（メタデータ） (2026-06-29T19:33:42Z)
• Causal Forcing++: Scalable Few-Step Autoregressive Diffusion Distillation for Real-Time Interactive Video Generation [50.55853275866995]
  リアルタイムのインタラクティブなビデオ生成には、低レイテンシ、ストリーミング、コントロール可能なロールアウトが必要である。 本稿では,フレームワイドの自己回帰を1～2ステップのサンプリングで行うという,よりアグレッシブな設定について検討する。 原理的かつスケーラブルなパイプラインである textbfCausal Forcing++ を提案する。
  論文  参考訳（メタデータ） (2026-05-14T17:46:36Z)
• AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation [70.80207977907908]
  フローマップをベースとした,最初のノンステップビデオ拡散蒸留フレームワークであるAnyFlowを紹介した。 我々は、AnyFlowがいくつかの段階において、パフォーマンスの一致を達成するか、一貫性ベースの結果を上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:06:34Z)
• FlowS: One-Step Motion Prediction via Local Transport Conditioning [3.883772843505009]
  ローカルトランスポートコンディショニングは、安全クリティカルな自律性のために一段階の生成動作予測を実践する。 FlowSは75のアンサンブルを持つ最先端のSoft mAP (0.4804)とmAP (0.4703)を単一ステップ推論で調整する。
  論文  参考訳（メタデータ） (2026-04-28T19:06:06Z)
• SOAR: Self-Correction for Optimal Alignment and Refinement in Diffusion Models [48.335262141752715]
  拡散モデルのための後トレーニングパイプラインには、キュレートされたデータに対する教師付き微調整(SFT)と報酬モデルによる強化学習(RL)の2段階がある。 本稿では,このギャップを埋めるバイアス補正ポストトレーニング法であるSOAR(Self-Correction for Optimal Alignment and Refinement)を提案する。 オンライン政治であり、報酬なしであり、クレジット割り当ての問題なく、時間ごとの密集した監督を提供する。
  論文  参考訳（メタデータ） (2026-04-14T11:45:15Z)
• Dual-End Consistency Model [41.982957134224904]
  スロー反復サンプリングは拡散モデルとフローベース生成モデルの実践的展開において大きなボトルネックとなる。 本稿では,安定かつ効果的なトレーニングを実現するために,バイタルサブ軌道クラスタを選択するDual-End Consistency Model (DE-CM)を提案する。 提案手法は,ImageNet 256x256データセットの1ステップ生成において,最先端のFIDスコア1.70を達成し,既存のCMベースのワンステップアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2026-02-11T11:51:01Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• Double: Breaking the Acceleration Limit via Double Retrieval Speculative Parallelism [19.7914286780195]
  textscDouble (Double Retrieval Speculative Parallelism)を紹介する。 提案手法は,理論的な高速化限界を断ち切るために反復的検索投機を実行する。 実験では、LLaMA3.3-70Bで$textbf5.3times$、Qwen3-32Bで$textbf2.8times$の最先端のスピードアップが示されている。
  論文  参考訳（メタデータ） (2026-01-09T04:35:21Z)
• SCoT: Unifying Consistency Models and Rectified Flows via Straight-Consistent Trajectories [31.60548236936739]
  本研究では,事前学習した拡散モデルに対する直線一貫性軌道(SCoT)モデルを提案する。 SCoTは、高速サンプリングのための両方のアプローチの利点を享受し、一貫した特性と直線的な性質のトラジェクトリを同時に生成する。
  論文  参考訳（メタデータ） (2025-02-24T08:57:19Z)
• Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
  シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。 本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。 特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
  論文  参考訳（メタデータ） (2023-07-07T15:42:35Z)
• Posterior Coreset Construction with Kernelized Stein Discrepancy for Model-Based Reinforcement Learning [78.30395044401321]
  我々は、強化学習(MBRL)のための新しいモデルベースアプローチを開発する。 ターゲット遷移モデルの仮定を緩和し、混合モデルの一般的な族に属する。 連続的な制御環境では、壁時計の時間を最大50%削減することができる。
  論文  参考訳（メタデータ） (2022-06-02T17:27:49Z)

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。