論文の概要: TIDE: A Physically Diverse 3D Turbulence Benchmark Dataset for Advancing Scientific Machine Learning
- arxiv url: http://arxiv.org/abs/2608.04222v1
- Date: Tue, 04 Aug 2026 20:56:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.640853
- Title: TIDE: A Physically Diverse 3D Turbulence Benchmark Dataset for Advancing Scientific Machine Learning
- Title（参考訳）: TIDE:科学機械学習を支援する物理的に多次元な3D乱流ベンチマークデータセット
- Abstract要約: TIDE(Turbulent Incompressible DNS Ensembles)は,2563個のDNSコーパスと3次元非圧縮性乱流のベンチマークである。
ベンチマークには5つのタスク、標準化された学習ベースライン、制御された一般化分割、ポイントワイドエラーと並行して物理忠実度メトリクスが含まれる。
主要な予測構成全体において、現在の学習モデルは永続性にはほとんど優れておらず、スペクトルソルバの約2倍の誤差を発生させる。
- 参考スコア（独自算出の注目度）: 21.12028946527482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Turbulence is a central testbed for machine learning on physical dynamics because its governing laws are known exactly. However, most existing studies remain in 2D, while 3D turbulence has fundamentally different physics and is far more costly to simulate. Existing 3D resources also typically provide only one realization per configuration, making it difficult to distinguish learning the dynamics from fitting the statistics of a single flow. In this paper, we introduce TIDE (Turbulent Incompressible DNS Ensembles), a 256^3 DNS corpus and benchmark for 3D incompressible turbulence, with 15 configurations on eight controlled axes, independent ensembles, pressure fields, and equation-level verification. The benchmark includes five tasks, standardized learned baselines, controlled generalization splits, and physical-fidelity metrics alongside pointwise error. Across the main forecasting configurations, current learned models barely outperform persistence and still make about twice the error of a spectral solver given the true equations. Moreover, lower pointwise error can coincide with severely distorted small-scale dynamics, showing that accuracy alone does not ensure physical fidelity. Generalization results further show that most regime shifts reflect limited training coverage, whereas forced-to-decay transfer exposes a missing conditioning variable: operators trained under forcing continue to predict driven evolution when the external drive is removed. Closing these accuracy, fidelity, and conditioning gaps is the central open problem made measurable by TIDE.
- Abstract（参考訳）: 乱流は、その統治法則が正確に知られているため、物理力学の機械学習のための中心的なテストベッドである。
しかし、既存のほとんどの研究は2Dのままであり、3Dの乱流は基本的に異なる物理学を持ち、シミュレートするのにはるかにコストがかかる。
既存の3Dリソースは、構成毎に1つの実現しか提供しないため、ダイナミクスを1つのフローの統計に適合させることから区別することは困難である。
本稿では,TIDE(Turbulent Incompressible DNS Ensembles),256^3 DNSコーパスと3次元非圧縮性乱流のベンチマークを紹介する。
ベンチマークには5つのタスク、標準化された学習ベースライン、制御された一般化分割、ポイントワイドエラーと並行して物理忠実度メトリクスが含まれる。
主要な予測構成全体では、現在の学習モデルは永続性にはほとんど優れておらず、真の方程式が与えられたスペクトルソルバの約2倍の誤差を発生させる。
さらに、低点誤差は、物理的忠実性のみが保証されないことを示すため、非常に歪んだ小さなダイナミックスと一致する可能性がある。
一般化の結果、ほとんどのシステマシフトは限られたトレーニングカバレッジを反映していることが示される一方で、強制的に強制的にトレーニングされたオペレータは、外部ドライブが削除されたときに、駆動進化を予測し続ける。
これらの精度、忠実度、条件付けのギャップを閉じることは、TIDEによって測定可能な中心的な開問題である。
関連論文リスト
- GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。
一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。
この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
論文 参考訳（メタデータ） (2026-08-06T12:19:38Z) - 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) - GeoFunFlow-3D: A Physics-Guided Generative Flow Matching Framework for High-Fidelity 3D Aerodynamic Inference over Complex Geometries [5.068156424858535]
GeoFunFlow-3Dは物理誘導型生成フローマッチングフレームワークである。
我々は、勾配剛性を低減するために、自動微分(No-AD)のない高次離散エンジンを導入する。
NASA Rotor37のテストでは、3Dの分離された衝撃構造を正確に捉えた。
論文 参考訳（メタデータ） (2026-04-25T15:24:13Z) - RADAR: Benchmarking Vision-Language-Action Generalization via Real-World Dynamics, Spatial-Physical Intelligence, and Autonomous Evaluation [76.22852262683746]
本稿では,現実的な条件下でのVLA一般化を体系的に評価するベンチマークであるRADARを紹介する。
RADARを用いて、複数の最先端のVLAモデルを監査し、その明らかな能力の下で深刻な脆弱性を明らかにする。
論文 参考訳（メタデータ） (2026-02-11T16:08:30Z) - PEST: Physics-Enhanced Swin Transformer for 3D Turbulence Simulation [19.744829080390165]
直接数値シミュレーション(DNS)は高い忠実度を提供するが、計算は禁じられている。
既存のデータ駆動の代替手段は、安定した長距離ロールアウト、物理的一貫性、小規模構造の忠実なシミュレーションに苦慮している。
本研究では3次元乱流シミュレーションのための物理強化スウィントランス(PEST)を提案する。
論文 参考訳（メタデータ） (2026-02-09T18:37:18Z) - EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale [15.20548942455541]
EddyFormerはTransformerベースの大規模乱流シミュレーションのためのスペクトル要素アーキテクチャである。
DNSレベルの精度を2563の解像度で達成し、DNSの30倍のスピードアップを提供する。
物理不変量-エネルギースペクトル、相関関数、構造関数-振れ領域一般化の精度を保っている。
論文 参考訳（メタデータ） (2025-10-28T08:27:37Z) - Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。
データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。
本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
論文 参考訳（メタデータ） (2025-05-23T03:28:25Z) - PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [62.93137406343609]
我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。
まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。
2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
論文 参考訳（メタデータ） (2025-05-22T17:55:10Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z)
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。