論文の概要: Neural Field Ensembles for Aerodynamic Surface Prediction: Winning Solution to the ONERA CRM Wall Distribution 2025 Challenge

• arxiv url: http://arxiv.org/abs/2609.17160v1
• Date: Tue, 15 Sep 2026 13:27:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.534055
• Title: Neural Field Ensembles for Aerodynamic Surface Prediction: Winning Solution to the ONERA CRM Wall Distribution 2025 Challenge
• Title（参考訳）: 空力表面予測のためのニューラルネットワークアンサンブル:OneRA CRM Wall Distribution 2025 Challengeの勝利解
• Abstract要約: 本稿では,ONERA CRM Wall Distribution Regression Challengeで最初に達成された方法論について述べる。 これはNASAのコモン・リサーチ・モデル(Common Research Model)ウィング・ボディ・パイロン・ナセル構成上の圧力と摩擦係数の分布を予測することに焦点を当てている。 提案手法は, 空間座標, 表面正規化, および空力壁量に対する操作条件を条件付きニューラルネットワークとして定式化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learning surrogate models offer a promising alternative to high-fidelity Computational Fluid Dynamics (CFD) simulations for aerodynamic analysis and design. However, constructing accurate surrogates for realistic aircraft configurations remain challenging due to complex geometries, multiple flow regimes, and limited training data. This work presents the methodology that achieved first place in the ONERA CRM Wall Distribution Regression Challenge, which focuses on predicting pressure and skin-friction coefficient distributions over the NASA Common Research Model wing-body-pylon-nacelle configuration under different operating conditions. The proposed approach formulates the problem as a conditional neural field mapping spatial coordinates, surface normals, and operating conditions to aerodynamic wall quantities. Fourier feature encoding, a relative squared error objective aligned with the challenge metric, ensemble learning, and $k$-fold cross-validation are progressively introduced to improve prediction accuracy and exploit the limited training data. Beyond presenting the final methodology, the paper documents the successive model design choices that led to the winning solution through a comprehensive ablation study and discusses several alternative approaches that were investigated but ultimately discarded. On the hidden competition test set, the proposed methodology achieves an overall score of 8.81, outperforming the strongest organizer-provided baseline, which achieved a score of 8.64, while requiring approximately three orders of magnitude fewer trainable parameters. These results illustrate that carefully designed coordinate-based neural fields constitute an efficient and robust framework for aerodynamic surrogate modeling on complex geometries under limited-data conditions.
• Abstract（参考訳）: 機械学習サロゲートモデルは、空力解析と設計のための高忠実度計算流体力学(CFD)シミュレーションに代わる有望な代替手段を提供する。 しかし、複雑な地形、複数の流路、限られた訓練データのために、現実的な航空機構成のための正確なサロゲートの構築は依然として困難である。 本研究は, ONERA CRM Wall Distribution Regression Challengeにおいて, 異なる操作条件下でのウイング・ボディ・パイロン・ナセル構成に対する圧力およびスキン・フリクション係数分布の予測に焦点を当てた手法を提示する。 提案手法は, 空間座標, 表面正規化, および空力壁量に対する操作条件を条件付きニューラルネットワークとして定式化する。 予測精度を向上し、限られたトレーニングデータを活用するために、フーリエ特徴符号化、チャレンジメトリック、アンサンブル学習、および$k$-foldのクロスバリデーションを段階的に導入する。 最終方法論を提示する以外に、包括的なアブレーション研究を通じて勝利を導いた連続したモデル設計の選択を文書化し、調査されたが最終的に破棄されたいくつかの代替アプローチについて議論した。 隠れ競合テストセットでは,提案手法が総合スコア8.81を達成し,最大オーガナイザが提供したベースライン8.64を上回り,トレーニング可能なパラメータを最大3桁減らした。 これらの結果から, 座標系ニューラルネットワークは, 限られたデータ条件下での複素測地上での空力的代理モデリングにおいて, 効率的かつ堅牢な枠組みを構成することが示唆された。

関連論文リスト

• FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation [47.3675633392999]
  FUSE (Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation) を導入する。 以前の作業とは異なり、FUSEは動的相互作用を容易にしながらマルチモーダル入力の異なる特徴を保存するデュアルトラックアーキテクチャを採用している。 提案手法は, 標準SBIベンチマークにおける最先端のベースラインよりも優れており, 基幹のMCMCと密に一致した後部を創出する。
  論文  参考訳（メタデータ） (2026-07-06T15:59:18Z)
• Neural Network-Based Parametric Model Reduction for Predicting Turbulent Flow for Different Vehicle Geometries [0.0]
  本研究では,多車体まわりの高レイノルズ数流のロバスト性を評価するために,変分オートエンコーダを用いた。 具体的には,異なる空間スケールと時間スケールで渦発生の再現精度を評価する。
  論文  参考訳（メタデータ） (2026-06-23T07:51:53Z)
• AeroJEPA: Learning Semantic Latent Representations for Scalable 3D Aerodynamic Field Modeling [5.931951549967812]
  本研究では,空力場モデリングのための予測アーキテクチャであるAeroJEPAを紹介する。 幾何学から直接流れ場を予測するのではなく、AeroJEPAは流れの潜在的な表現を予測している。 得られた潜在空間は, 制御された探索, 線形探索, 概念ベクトル算術, 制約付き設計潜在最適化実験をサポートすることを示す。
  論文  参考訳（メタデータ） (2026-05-07T02:11:26Z)
• Optimization and Generation in Aerodynamics Inverse Design [41.756961128464816]
  物理に基づく目的を持つ逆設計は、高次元幾何学と高価なシミュレーションを兼ね備えているため、難しい。 最適設計点と最適設計分布の2つの正準解を用いて逆設計を再検討する。 本稿では,コスト予測器の新たなトレーニング損失と,可塑性形状を保ちながら目的を向上する密度勾配最適化手法を提案する。
  論文  参考訳（メタデータ） (2026-02-03T14:32:26Z)
• Friction on Demand: A Generative Framework for the Inverse Design of Metainterfaces [0.0]
  ターゲット摩擦法則から表面トポグラフィーを推定するための生成的モデリングフレームワークを提案する。 パラメータ化された接触力学モデルから構築された2億のサンプルからなる合成データセットに基づいて,提案手法により,候補地形の効率的なシミュレーションフリー生成が可能となる。 この手法は、表面トポグラフィーによる摩擦挙動のほぼリアルタイム制御の道を開くものである。
  論文  参考訳（メタデータ） (2025-10-27T13:00:48Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• 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)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• An Empirical Wall-Pressure Spectrum Model for Aeroacoustic Predictions Based on Symbolic Regression [36.814181034608666]
  本稿では,電流予測の堅牢性と精度を高めるために,新しい壁圧スペクトル実験モデルを提案する。 このモデルは、遺伝的アルゴリズムに基づくアプローチを用いて、AIに基づく象徴的回帰を用いて開発されている。 これは、フルスケールの風力タービンの空気音響ノイズを予測するために、Amietの理論と統合されている。
  論文  参考訳（メタデータ） (2025-01-14T14:14:22Z)
• Physics-informed Gaussian Processes for Safe Envelope Expansion [35.86317155999886]
  物理インフォームド平均関数を持つガウス過程(GP)を用いた飛行テスト解析の新しい手法を提案する。 本研究では,事前定義された飛行試験点や繰り返し飛行試験点を必要とせずにピッチングモーメント係数を推定し,提案手法を実証する。
  論文  参考訳（メタデータ） (2025-01-02T01:37:15Z)
• Gradient-Free Generation for Hard-Constrained Systems [41.558608119074755]
  既存の制約付き生成モデルは勾配情報に大きく依存しており、いくつかの分野において計算コストが低い場合が多い。 本稿では,ゼロショット方式で制約を正確に満たすために,事前学習された非拘束フローマッチングモデルを適用するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-02T18:36:26Z)
• Metric Flow Matching for Smooth Interpolations on the Data Manifold [40.24392451848883]
  Metric Flow Matching (MFM) は条件付きフローマッチングのための新しいシミュレーションフリーフレームワークである。 我々は,MFMを条件付き経路のフレームワークとして提案し,ソース分布をターゲット分布に変換する。 我々は、LiDARナビゲーション、未ペア画像翻訳、セルラーダイナミクスのモデリングなど、一連の課題でFMをテストする。
  論文  参考訳（メタデータ） (2024-05-23T16:48:06Z)
• Parametric Generative Schemes with Geometric Constraints for Encoding and Synthesizing Airfoils [25.546237636065182]
  特定の制約を満たしつつ,設計空間の複雑さを捉えるために,ディープラーニングに基づく2つの生成スキームを提案する。 ソフト制約スキームは、予想される幾何学的制約からわずかにずれた翼を生成するが、それでも基準翼に収束する。 制約の厳しいスキームは、幾何学的制約に厳密に固執しつつ、より広い範囲の幾何学的多様性を持つ翼を生産する。
  論文  参考訳（メタデータ） (2022-05-05T05:58:08Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)

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。