Fugu-MT 論文翻訳(概要): Physics and Data Driven Transformer-Mamba Framework for Flow Field

論文の概要: Physics and Data Driven Transformer-Mamba Framework for Flow Field

arxiv url: http://arxiv.org/abs/2609.29087v2
Date: Mon, 28 Sep 2026 15:06:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-29 21:31:51.78119
Title: Physics and Data Driven Transformer-Mamba Framework for Flow Field
Title（参考訳）: 流れ場のための物理とデータ駆動トランス-マンバフレームワーク
Abstract要約: 本稿では,3つの重要な革新を伴う物理制約付き演算子学習モデルであるTransformer-Mamba for Flow Field (TM4FF)フレームワークを紹介する。 4つのCFDデータセットの実験では、TM4FFは様々な流れ条件に対して高精度で堅牢な一般化を実現する。
参考スコア（独自算出の注目度）: 9.624090995373567
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While deep learning accelerates expensive partial differential equation solving in computational fluid dynamics (CFD), existing methods like PINNs and FNOs often struggle with generalization, noise robustness, and physical consistency. We introduce the Transformer-Mamba for Flow Field (TM4FF) framework, a physics-constrained operator learning model with three key innovations: a Residual Wavelet Mamba (RWM) layer for feature denoising, a Transformer-based attention mechanism for enhanced feature fusion, and a physics-informed loss using Fourier derivatives to enforce the Navier-Stokes equations. Experiments on four CFD datasets show TM4FF achieves high accuracy and robust generalization across varying flow conditions.
Abstract（参考訳）: 深層学習は計算流体力学(CFD)における高価な偏微分方程式の解法を加速させるが、PINNやFNOといった既存の手法は一般化、雑音の堅牢性、物理的整合性に苦しむことが多い。本稿では,Transformer-Mamba for Flow Field (TM4FF) フレームワーク,Residual Wavelet Mamba (RWM) レイヤ,Transformer-based attention mechanism for enhanced feature fusion,およびFourier デリバティブを用いた物理インフォームド・ロスによるNavier-Stokes方程式の適用の3つの重要な革新点について紹介する。 4つのCFDデータセットの実験では、TM4FFは様々な流れ条件に対して高精度で堅牢な一般化を実現する。

関連論文リスト

Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators [57.64362886310329]
ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
論文参考訳（メタデータ） (2026-09-08T01:21:46Z)
Droplet-LNO: Physics-Informed Laplace Neural Operators for Accurate Prediction of Droplet Spreading Dynamics on Complex Surfaces [2.963101656293055]
本稿では,物理インフォームドラプラス演算子ニューラルネットワーク(PI-LNO)を提案する。複雑なラプラス変換を通じて、PI-LNOは拡散過程の指数的過渡ダイナミクスをモデル化する。
論文参考訳（メタデータ） (2026-04-22T18:24:54Z)
Prediction of Steady-State Flow through Porous Media Using Machine Learning Models [3.2250618460602705]
多孔質媒体を流れる流れは、冷板の位相最適化における重要なステップである。従来の計算流体力学法は、大規模かつ複雑な測地にとって、しばしば不当に高価である。そこで我々は,Navier-Stokes-Brinkman方程式による多孔質媒質による定常流れの予測を行う機械学習フレームワークを開発した。
論文参考訳（メタデータ） (2026-03-06T14:28:46Z)
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)
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)
OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
論文参考訳（メタデータ） (2025-06-12T16:23:02Z)
WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文参考訳（メタデータ） (2024-07-18T11:51:01Z)
Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文参考訳（メタデータ） (2023-04-21T20:49:29Z)
Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文参考訳（メタデータ） (2022-11-26T01:56:05Z)
Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文参考訳（メタデータ） (2022-07-12T17:07:46Z)
Adaptive Fourier Neural Operators: Efficient Token Mixers for Transformers [55.90468016961356]
本稿では,Fourierドメインのミキシングを学習する効率的なトークンミキサーを提案する。 AFNOは、演算子学習の原則的基礎に基づいている。 65kのシーケンスサイズを処理でき、他の効率的な自己認識機構より優れている。
論文参考訳（メタデータ） (2021-11-24T05:44:31Z)

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。