Fugu-MT 論文翻訳(概要): FSAN: Flow State Attention Network for Aerodynamic Prediction

論文の概要: FSAN: Flow State Attention Network for Aerodynamic Prediction

arxiv url: http://arxiv.org/abs/2609.06660v1
Date: Sun, 06 Sep 2026 15:11:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.291486
Title: FSAN: Flow State Attention Network for Aerodynamic Prediction
Title（参考訳）: FSAN:空力予測のための流れ状態注意ネットワーク
Abstract要約: 本研究では,高精度な空力予測のためのフロー状態注意ネットワーク(FSAN)を提案する。 FSANは、幾何を学習可能なソフト代入によって複数のフロー状態に分割し、フロー機能を使用してこれらの状態表現を更新する。 2つのよく認識された空気力学ベンチマークの実験では、FSANが最も精度が高いことが示されている。
参考スコア（独自算出の注目度）: 15.184005307775601
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate aerodynamic prediction is critical for designing fuel-efficient and safe transportation systems such as aircraft and automobiles, yet traditional computational fluid dynamics (CFD) simulations remain computationally expensive and expertise-intensive, severely limiting their use in iterative design and real-time analysis. Existing deep learning surrogates suffer from two major limitations: (i) they are evaluated on datasets with narrow flow-condition ranges, leaving their performance under complex flow conditions undemonstrated; (ii) they treat global flow conditions as a single vector injected uniformly across all surface points, ignoring that different geometric regions experience distinct local flow phenomena, which degrades prediction accuracy under complex flow conditions. To address these limitations, we propose the Flow State Attention Network (FSAN). FSAN separately encodes point cloud and flow conditions, then partitions the geometry into multiple flow states via learnable soft assignments, and uses flow features to update these state representations, which in turn influence point cloud features through state changes. This enables fine-grained, state-specific interaction between geometry and flow information. Extensive experiments on two well-recognized aerodynamic benchmarks demonstrate that FSAN achieves the highest accuracy among the methods compared in this work at a higher computational cost. On Emmi-Wing, FSAN reduces the Relative L2 (REL-L2) error by over 20\% compared to the strongest baseline (Transolver), and on DrivAerNet++, it achieves a 10\% reduction compared to the strongest baseline (AdaField). These results establish FSAN as a promising neural surrogate on public benchmarks with diverse flow conditions and geometries.
Abstract（参考訳）: 航空力学の正確な予測は、航空機や自動車などの燃料効率が高く安全な輸送システムの設計に欠かせないが、従来の計算流体力学(CFD)シミュレーションは計算コストと専門性に富んだままであり、反復設計やリアルタイム解析における使用を著しく制限している。既存のディープラーニングサロゲートには2つの大きな制限がある。 (i)狭い流れ条件域のデータセットで評価し、複雑な流れ条件下での性能を実証しない。 (II) 複雑な流れ条件下での予測精度を低下させる, 異なる幾何学領域が異なる局所流現象を経験していることを無視し, 全表面点に一様に注入された単一ベクトルとしてグローバルフロー条件を扱う。これらの制約に対処するため、我々はFlow State Attention Network (FSAN)を提案する。 FSANはポイントクラウドとフロー条件を別々にエンコードし、学習可能なソフトアサインメントを通じてジオメトリを複数のフロー状態に分割し、フロー機能を使用して状態表現を更新する。これにより、幾何学とフロー情報の間のきめ細かい、状態固有の相互作用が可能になる。 2つのよく認識された空気力学ベンチマークの大規模な実験により、FSANは高い計算コストで、この研究で比較された手法の中で最も高い精度を達成していることが示された。 Emmi-Wingでは、FSANは最強のベースライン(Transolver)と比較してRelative L2(REL-L2)エラーを20%以上削減し、DrivAerNet++では最強のベースライン(AdaField)に比べて10倍の削減を実現している。これらの結果は、FSANを様々な流れ条件と測地条件を持つ公開ベンチマークにおける有望なニューラルネットワークサロゲートとして確立する。

関連論文リスト

DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。 2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
論文参考訳（メタデータ） (2026-06-05T07:33:57Z)
LGFNet: Local-Global Fusion Network with Fidelity Gap Delta Learning for Multi-Source Aerodynamics [8.176798147806648]
マルチスケール特徴分解のためのローカルGlobal Fusion Network (LGFNet)。実験により、LGFNetは様々な空力シナリオの精度と不確実性の両方で、最先端(SOTA)性能を達成することが示された。
論文参考訳（メタデータ） (2026-03-31T06:13:20Z)
FluidFlow: a flow-matching generative model for fluid dynamics surrogates on unstructured meshes [2.7455202504794642]
本研究では,条件付きフローマッチングに基づく生成モデルであるFluidFlowを紹介する。 FluidFlowは、構造化メッシュと非構造化メッシュの両方で定義されたCFDデータを直接操作するように設計されている。
論文参考訳（メタデータ） (2026-03-30T10:08:20Z)
Diffusion Bridge or Flow Matching? A Unifying Framework and Comparative Analysis [57.614436689939986]
拡散ブリッジとフローマッチングは、任意の分布間の変換において魅力的な経験的性能を示した。我々は,これらのフレームワークを最適制御のレンズを通して再キャストし,拡散橋のコスト関数が低いことを証明した。これらの理論的主張を裏付けるために,潜伏変圧器上に構築された拡散橋の新しい強力なアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-09-29T09:45:22Z)
FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文参考訳（メタデータ） (2025-05-23T00:07:59Z)
Towards scalable surrogate models based on Neural Fields for large scale aerodynamic simulations [0.0]
本稿では,ニューラルネットワークに基づく空力応用のための新しい代理モデリングフレームワークを提案する。提案手法であるMARIOは、効率的な形状符号化機構によって非パラメトリックな幾何学的変動に対処する。フル解像度の推論中に一貫した精度を維持しながら、大幅にダウンサンプルされたメッシュのトレーニングを可能にする。
論文参考訳（メタデータ） (2025-05-14T10:49:08Z)
SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文参考訳（メタデータ） (2025-03-25T17:59:57Z)
FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。条件設定では、太陽予測において優れた性能を達成している。
論文参考訳（メタデータ） (2024-11-12T03:03:23Z)
Self-Supervised Multi-Frame Neural Scene Flow [46.89574953830576]
本稿では,その一般化能力の理論的評価とともに,複数フレームのクラウドシーンフロー推定を簡便かつ効果的に行う方法を提案する。解析により,提案手法は限定的な一般化誤差を保ち,シーンフロー最適化プロセスに複数のフレームを追加することは,その一般化可能性から逸脱しないことが示唆された。
論文参考訳（メタデータ） (2024-03-24T12:15:28Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
論文参考訳（メタデータ） (2021-09-24T19:07:19Z)
CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
論文参考訳（メタデータ） (2020-05-09T18:06:09Z)

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。