論文の概要: The balance between compactness and forecast accuracy of data-driven latent-space reduced-order models in controlled wake flows
- arxiv url: http://arxiv.org/abs/2607.24569v1
- Date: Mon, 27 Jul 2026 15:36:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.481835
- Title: The balance between compactness and forecast accuracy of data-driven latent-space reduced-order models in controlled wake flows
- Title（参考訳）: 制御された流路流中におけるデータ駆動潜在空間縮小次モデルのコンパクト性と予測精度のバランス
- Abstract要約: 本稿では,空間エンコーダの選択が,制御入力下でのウェイクフローに対する遅延座標の予測可能性に与える影響について検討する。
これは、コンパクト性と予測精度の明確なトレードオフを明らかにし、潜在力学予測の安定性が最大圧縮を上回ることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Model-based active flow control requires predictive models that are accurate, stable, and fast enough for real-time optimisation. In controlled wake flows, this is often achieved through Reduced-Order Models (ROMs) that first compress high-dimensional velocity snapshots into a latent space and then learn a time- stepping predictor for the dynamics in the latent space. Here, we study how the choice of the spatial encoder affects the predictability of the resulting latent coordinates for wake flows under control inputs. Using two actuated 2D wake configurations, a simplified truck wake and the fluidic pinball, we compare Proper Orthogonal Decomposition (POD) against nonlinear Convolutional Autoencoders (CAEs) and two types of variational autoencoders for compression, and evaluate several temporal predictors based on Long Short-Term Memory networks. CAEs achieve higher compression efficiency and sharper short-term reconstructions, but they produce latent dynamics that are more irregular and with broadband spectral content. As a consequence, long-horizon forecasts degrade faster and show a higher probability of catastrophic divergence than POD-based models. POD yields smoother latent trajectories that are easier to learn and extrapolate, leading to more reliable predictions beyond the short- term regime. These results reveal a clear trade-off between compactness and forecast accuracy, and suggest that the stability of the latent dynamics prediction can outweigh maximal compression. This is particularly relevant for control strategies rooted in forecasts of the dynamics, such as model predictive control and reinforcement learning. The findings provide practical guidance for designing actuation-aware, hardware-feasible predictive ROMs for real-time flow control.
- Abstract（参考訳）: モデルベースのアクティブフロー制御は、リアルタイムの最適化に十分な精度、安定性、高速な予測モデルを必要とする。
制御されたウェイクフローでは、高次元速度スナップショットを潜時空間に圧縮し、潜時空間のダイナミクスの時間ステップ予測器を学習するROM(Reduceed-Order Models)によってこれを達成されることが多い。
本稿では,空間エンコーダの選択が,制御入力下でのウェイクフローに対する遅延座標の予測可能性に与える影響について検討する。
2種類の作動式2Dウェイク構成, 簡易トラックウェイクと流体ピンボールを用いて, 非線形畳み込みオートエンコーダ(CAE)と2種類の変分オートエンコーダを比較し, 長期記憶ネットワークに基づく時間予測器の評価を行った。
CAEはより高い圧縮効率とよりシャープな短期的再構成を実現するが、より不規則でブロードバンドスペクトルの含有量を持つ潜在力学を生成する。
その結果、長期水平予測はPODモデルよりも早く低下し、破滅的な分岐の確率が高いことが判明した。
PODは学習や外挿が容易なよりスムーズな潜在軌道をもたらし、短期的な体制を超えてより信頼性の高い予測をもたらす。
これらの結果は、コンパクト性と予測精度の明確なトレードオフを明らかにし、潜在力学予測の安定性が最大圧縮を上回ることを示唆している。
これは、モデル予測制御や強化学習など、ダイナミクスの予測に根ざした制御戦略に特に関係している。
この結果は,リアルタイムフロー制御のためのアクティベーション対応ハードウェア実現可能な予測ROMを設計するための実用的なガイダンスを提供する。
関連論文リスト
- SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。
我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。
高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
論文 参考訳（メタデータ） (2026-06-22T15:00:59Z) - Balancing Accuracy and Efficiency: Adaptive Dynamics Orchestration for Model Predictive Control [8.262724319342945]
高忠実度力学モデルは、軌道のロールアウト中に複雑な車両とテランの相互作用を正確に予測できるが、計算コストは相当である。
軽量モデルは高速な更新と高密度サンプリングを可能にするが、安全クリティカルな条件下で誤った予測を発生させる可能性がある。
本稿では,現在のナビゲーションコンテキストに対して最適な動的モデルを動的に選択するフレームワークであるAdaptive Dynamics Orchestration (ADO)を提案する。
論文 参考訳（メタデータ） (2026-05-22T19:05:25Z) - Learning Cross-Coupled and Regime Dependent Dynamics for Aerial Manipulation [3.247008128557575]
空中マニピュレータにおける適応的残留力学学習のための構造化エンコーダデコーダフレームワークを提案する。
その結果、残差予測精度の向上、動作条件の変化による適応の高速化、MPCに基づく軌道追跡性能の向上が示された。
論文 参考訳（メタデータ） (2026-05-14T13:17:04Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - PixelFlowCast: Latent-Free Precipitation Nowcasting via Pixel Mean Flows [3.219438344967702]
本稿では,2段階の確率予測フレームワークであるPixelFlowCastを提案する。
公開されているSEVIRデータセットの実験では、PixelFlowCastは予測精度と推論効率の両方で、既存の主流メソッドよりも優れています。
論文 参考訳（メタデータ） (2026-05-11T06:16:02Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - DSPR: Dual-Stream Physics-Residual Networks for Trustworthy Industrial Time Series Forecasting [14.844711734126681]
本研究では,定常時間パターンを状態依存的残留力学から明示的に分離する予測フレームワークを提案する。
DSPRは、システミックシフト時の予測精度とロバストさを一貫して改善する。
平均保存精度は99%を超え、総変量比は97.2%に達する。
論文 参考訳（メタデータ） (2026-04-08T06:21:10Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。
本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。
興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文 参考訳（メタデータ） (2024-01-22T13:15:40Z)
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。