論文の概要: From Fixed Grids to Moving Particles:A Transferable Latent Operator for Fluid Dynamics
- arxiv url: http://arxiv.org/abs/2608.14120v2
- Date: Mon, 17 Aug 2026 02:50:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 13:30:43.59747
- Title: From Fixed Grids to Moving Particles:A Transferable Latent Operator for Fluid Dynamics
- Title（参考訳）: 固定格子から移動粒子へ:流体力学の伝達可能な潜在演算子
- Abstract要約: Transferable Latent Operator (TLO) はユーレアン場予測とラグランジアン粒子ロールアウトで共有される統一フロー表現を学習する。
TLOは、Eulerianフィールド予測とゼロショットラグランジアンロールアウトの両方において、既存のニューラル演算子を一貫して上回っている。
- 参考スコア（独自算出の注目度）: 24.538562798503737
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lagrangian modeling is vital to fluid dynamics, as it characterizes particle transport and complements the Eulerian representation. However, Lagrangian trajectories are less commonly available than Eulerian fields, while most neural operators are trained and evaluated primarily in the Eulerian representation. This mismatch motivates a new learning problem: can a model trained solely on Eulerian observations generalize zero-shot from Eulerian field prediction to Lagrangian particle rollout, without Lagrangian supervision or task-specific adaptation? To address this problem, we propose the Transferable Latent Operator (TLO), which learns a unified flow representation shared by Eulerian field prediction and Lagrangian particle rollout. TLO decouples latent flow evolution from coordinate-dependent decoding: querying the evolving latent representation at fixed spatial coordinates yields Eulerian fields, whereas querying velocities at particle positions and recursively updating these positions enables Lagrangian rollout. Across five fluid-dynamics benchmarks, TLO consistently outperforms existing neural operators in both Eulerian field prediction and zero-shot Lagrangian rollout, with further gains from limited Lagrangian fine-tuning.
- Abstract（参考訳）: ラグランジアンモデリングは流体力学にとって不可欠であり、粒子輸送を特徴づけ、ユーレアン表現を補完する。
しかしながら、ラグランジュ軌道はユーレウス場よりも一般には利用できないが、ほとんどのニューラル作用素はユーレウス表現で訓練され評価されている。
このミスマッチは、新しい学習問題を動機付けている: ユーレリア観測のみに訓練されたモデルは、ユーレリア場予測からラグランジュ粒子のロールアウトへのゼロショットを、ラグランジュの監督やタスク固有の適応なしに一般化することができるか?
この問題に対処するために,Eulerian場予測とLagrangian粒子ロールアウトで共有される統一フロー表現を学習するTransferable Latent Operator (TLO)を提案する。
TLOは、座標依存デコードから遅延流の進化を分離する: 固定された空間座標で進化する潜在表現をクエリすると、ユーレリア場が得られ、一方、粒子位置での速度をクエリし、これらの位置を再帰的に更新することで、ラグランジアンロールアウトが可能になる。
5つの流体力学ベンチマークで、TLOはエウレリア場の予測とゼロショットのラグランジアンロールアウトの両方において、既存のニューラル演算子を一貫して上回り、ラグランジアン微調整によってさらに向上する。
関連論文リスト
- Hybrid Lagrangian-Eulerian Model for Lagrangian Fluid Simulation [39.8019405552335]
純粋なラグランジュ型神経シミュレータは、幾何学的柔軟性と正確な対流を提供する。
固定されたグローバル参照フレームが存在しないことは、2つの厳しい制限をもたらす。
本稿では,ラグランジアン力学をユーレリア表現で拡張するハイブリッドラグランジアン・ユーレリアニューラルシミュレータを提案する。
論文 参考訳（メタデータ） (2026-08-02T11:36:08Z) - Lagrangian Flow Matching: A Least-Action Framework for Principled Path Design [14.77320535984857]
フローマッチングは、所定の確率パスに関連する目標速度に対して回帰して神経速度場を訓練する。
ラグランジアンフローマッチング(Lagrangian flow matching)は、一般ラグランジアンの動きを最小化して確率パスと速度場を決定する物理ベースのフレームワークである。
論文 参考訳（メタデータ） (2026-05-14T21:05:03Z) - WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer [107.36949516442782]
本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。
論文 参考訳（メタデータ） (2026-05-14T18:18:12Z) - 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) - Vortex Stretching in the Navier-Stokes Equations and Information Dissipation in Diffusion Models: A Reformulation from a Partial Differential Equation Viewpoint [0.0]
スコアベース拡散モデルにインスパイアされたPDEフレームワークに基づいて,Navier-Stokes方程式における渦伸長の新しい逆時間定式化を提案する。
圧縮方向では初期位置に関する情報が急速に失われることを示し, ストレッチ方向では比較的よく保存されている。
論文 参考訳（メタデータ） (2026-02-01T07:32:40Z) - From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。
微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
論文 参考訳（メタデータ） (2025-12-01T11:47:49Z) - Fast-Forward Lattice Boltzmann: Learning Kinetic Behaviour with Physics-Informed Neural Operators [37.65214107289304]
格子ボルツマン方程式(LBE)のための物理インフォームドニューラルネットワークフレームワークを提案する。
我々のフレームワークは離散化不変であり、粗い格子で訓練されたモデルをより微細なものに一般化することができる。
その結果,von Karman vortex shedding, ligament breakup, bubble adhesionなどの複雑な流れシナリオの堅牢性を示した。
論文 参考訳（メタデータ） (2025-09-26T14:36:23Z) - Is memory all you need? Data-driven Mori-Zwanzig modeling of Lagrangian particle dynamics in turbulent flows [38.33325744358047]
本研究では,乱流ラグランジアン軌道を短時間の予測に適した精度で発展させることのできる代理力学系をいかに学習できるかを示す。
これにより、例えば乱流における活性ラグランジアン剤の制御など、様々な新しい応用が開かれる。
論文 参考訳（メタデータ） (2025-07-21T20:50:55Z) - Learnable Infinite Taylor Gaussian for Dynamic View Rendering [55.382017409903305]
本稿では,ガウスの時間的進化をモデル化するための学習可能なテイラー式に基づく新しいアプローチを提案する。
提案手法は,本領域における最先端性能を実現する。
論文 参考訳（メタデータ） (2024-12-05T16:03:37Z) - DeepLag: Discovering Deep Lagrangian Dynamics for Intuitive Fluid Prediction [45.778221193374755]
本稿では, タングルサム流体力学に対処する新しいラグランジアン・ユーレリア複合パラダイムを提案する。
ユーレアン観測に基づいて未来を予測するのではなく、流体中に隠れたラグランジアン力学を発見するためにDeepLagを提案する。
DeepLagは、2Dと3D、シミュレートされた実世界の流体をカバーする3つの挑戦的な流体予測タスクに優れています。
論文 参考訳（メタデータ） (2024-02-04T09:45:35Z) - Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit
Constraints [49.66841118264278]
私たちは、現在のアプローチの限界を押し上げるために、一連の挑戦的なカオスと拡張ボディシステムを導入します。
実験の結果,明示的な制約を持つモンテカルロ座標は,精度とデータ効率を100倍に向上させることがわかった。
論文 参考訳（メタデータ） (2020-10-26T13:35:16Z)
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。