論文の概要: Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning

• arxiv url: http://arxiv.org/abs/2608.07161v1
• Date: Fri, 07 Aug 2026 12:28:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.495743
• Title: Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning
• Title（参考訳）: Fluid-DiT: 流体シミュレーション学習のためのグラフフリー拡散変換器
• Authors: Shentong Mo, Guolin Ke,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.053186229257555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating complex fluid flows requires capturing full equilibrium distributions rather than just mean trajectories, yet high-fidelity solvers remain computationally prohibitive. Recent advances, such as Diffusion Graph Networks (DGNs), have combined diffusion models with graph neural networks to sample equilibrium states directly from unstructured meshes, enabling distributional accuracy even from short simulations. However, graph-based diffusion approaches suffer from hand-crafted architectural constraints, limited receptive fields in message passing, and costly multi-scale designs, which restrict scalability to larger and more complex domains. We propose Fluid-DiT, a Graph-Free Diffusion Transformer that replaces graph message passing with attention-based denoising, eliminating explicit graph design while preserving the ability to model distributions of chaotic flows. Our framework introduces a latent-space formulation that disentangles geometric fidelity from distributional learning, reducing high-frequency artifacts and accelerating sampling. By leveraging the transformer's global receptive field, Fluid-DiT naturally captures both local flow structures and long-range correlations without requiring hierarchical graph coarsening. On canonical benchmarks including laminar cylinder wakes, ellipse-flow systems, and turbulent 3D wing experiments, Fluid-DiT consistently outperforms graph-based diffusion baselines in both sample quality and distributional accuracy, achieving higher $R^2$ correlations and lower Wasserstein distances. Moreover, it generalizes robustly from short, incomplete trajectories to unseen Reynolds numbers and geometries, demonstrating strong scalability.
• Abstract（参考訳）: 複雑な流体の流れをシミュレーションするには、単なる軌跡ではなく完全な平衡分布を捉える必要があるが、高忠実度解法は計算的に禁じられている。 拡散グラフネットワーク(DGNs)のような最近の進歩は、グラフニューラルネットワークと拡散モデルを組み合わせて、非構造メッシュから直接平衡状態のサンプリングを行い、短いシミュレーションでも分布精度を実現できる。 しかし、グラフベースの拡散アプローチは、手作りのアーキテクチャ制約、メッセージパッシングにおける受信フィールドの制限、より大規模で複雑なドメインにスケーラビリティを制限したコストのかかるマルチスケール設計に悩まされている。 カオスフローの分布をモデル化する能力を維持しつつ,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であるFluid-DiTを提案する。 本フレームワークでは,分布学習から幾何学的忠実度を分離し,高周波アーティファクトを低減し,サンプリングを高速化する潜在空間定式化を導入する。 変換器の大域的受容場を活用することにより、Fluid-DiTは階層グラフの粗さを必要とせず、局所フロー構造と長距離相関の両方を自然に捉える。 ラミナーシリンダーウェイク、楕円流系、乱流3次元翼実験などの標準ベンチマークでは、Fluid-DiTはサンプル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り、高いR^2$相関と低いワッサーシュタイン距離を達成する。 さらに、短い不完全な軌道から目に見えないレイノルズ数や測地までしっかりと一般化し、強力な拡張性を示す。

関連論文リスト

• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Flow Matching is Adaptive to Manifold Structures [32.55405572762157]
  フローマッチングは拡散に基づく生成モデルに代わるシミュレーションベースである。 フローマッチングがデータ幾何学にどのように適応し、次元の呪いを回避するかを示す。
  論文  参考訳（メタデータ） (2026-02-25T23:52:32Z)
• HFNO: an interpretable data-driven decomposition strategy for turbulent flows [0.0]
  乱流の低次モデリングに適した新しいFNOアーキテクチャを提案する。 提案したアーキテクチャは、波数ビンを並列に処理し、分散関係と非線形相互作用の近似を可能にする。 より複雑な力学系における提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2025-11-03T12:57:19Z)
• Learning Distributions of Complex Fluid Simulations with Diffusion Graph Networks [23.196852966408482]
  平衡分布から状態を直接サンプリングできるグラフベース潜在拡散モデルを提案する。 これにより、長くて高価な数値シミュレーションを実行することなく、効率的な流量統計のジオメトリを実現できる。 本手法を乱流中の3次元翼模型の圧力予測などの流体力学タスクに適用する。
  論文  参考訳（メタデータ） (2025-03-19T13:04:39Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
  DeFoGは、トレーニングからサンプリングをアンタングルするグラフ生成フレームワークである。 本稿では,性能を著しく向上し,必要な精錬工程数を削減できる新しいサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T18:52:54Z)
• Generative AI for fast and accurate statistical computation of fluids [19.970579302838914]
  高速で正確で頑健な統計計算のプレスタスクに対処する生成AIアルゴリズムを提案する。 GenCFDと呼ばれる我々のアルゴリズムは、エンドツーエンドの条件付きスコアベース拡散モデルに基づいている。
  論文  参考訳（メタデータ） (2024-09-27T00:26:18Z)
• Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
  本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。 本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。 経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)

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。