論文の概要: Efficient and Scalable Physics-Guided Fully Convolutional Spatiotemporal Learning for 3D Microstructure Evolution Prediction
- arxiv url: http://arxiv.org/abs/2609.36504v1
- Date: Tue, 29 Sep 2026 01:58:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 04:28:51.328755
- Title: Efficient and Scalable Physics-Guided Fully Convolutional Spatiotemporal Learning for 3D Microstructure Evolution Prediction
- Title（参考訳）: 3次元組織進化予測のための効率的かつスケーラブルな物理ガイド付き完全畳み込み時空間学習
- Abstract要約: 本研究は,完全3次元構造の直接的多フレーム予測のための物理誘導完全畳み込みフレームワークを開発する。
このフレームワークは、基準位相分解器と比較して30倍以上の壁面速度を達成している。
- 参考スコア（独自算出の注目度）: 13.239769357659412
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of three-dimensional (3D) microstructure evolution remains computationally demanding because high-fidelity phase-field simulations require repeated numerical integration over large volumetric domains and long temporal horizons. This study develops an efficient and scalable physics-guided fully convolutional spatiotemporal framework for direct multi-frame prediction of complete 3D microstructure sequences. The model combines shared 3D spatial encoding and decoding with a factorized latent translator that integrates temporal, local 3D spatial, and channel interactions. A discrete Cahn--Hilliard (CH) residual is incorporated during training to regularize the learned evolution toward the governing dynamics without altering the inference pathway. The framework is evaluated on high-resolution 3D spinodal-decomposition trajectories under nominal, long-horizon, and reduced-temporal-context forecasting. Under full temporal context, the model accurately reproduces volumetric evolution, with average 3D structural similarity remaining above 0.97 over the nominal prediction horizon. Physics guidance becomes increasingly beneficial as temporal information is reduced, improving predictive robustness and preservation of interface-level morphology. The framework also achieves more than a 30-fold wall-clock speedup relative to the reference spectral phase-field solver, while physics guidance introduces no additional inference cost. These results establish direct multi-frame, physics-guided fully convolutional learning as a high-throughput surrogate strategy for dense 3D phase-field dynamics and repeated microstructure forecasting.
- Abstract（参考訳）: 高忠実度位相場シミュレーションでは、大きな体積領域と長い時間的地平線上での連続的な数値積分を必要とするため、三次元(3次元)の微細構造進化の正確な予測は計算的に要求される。
本研究は,完全3次元マイクロ構造系列の直接的多フレーム予測のための,効率的でスケーラブルな物理誘導型完全畳み込み時空間フレームワークを開発する。
このモデルは、共有3次元空間符号化と復号化と、時間的・局所的な3次元空間的・チャネル的相互作用を統合した分解潜在トランスレータを組み合わせる。
トレーニング中に個別のCahn--Hilliard (CH)残基が組み込まれ、推論経路を変更することなく、学習した進化を制御力学へ向けて規則化する。
このフレームワークは,高分解能な3次元スピノダル分解軌道を,名目的,長期的,時空間的予測の下で評価する。
完全な時間的文脈下では、モデルは体積進化を正確に再現し、平均的な3次元構造的類似性は、名目上の予測地平線上0.97以上である。
物理ガイダンスは、時間的情報が減少し、予測ロバスト性が向上し、インターフェースレベルの形態が保存されるにつれて、ますます有益になる。
このフレームワークはまた、基準位相分解器と比較して30倍以上の壁面速度を達成し、物理ガイダンスでは追加の推論コストは発生しない。
これらの結果は、高出力な3次元位相場力学と繰り返しマイクロ構造予測のためのハイスループ・サロゲート戦略として、直接多フレーム、物理誘導完全畳み込み学習を確立する。
関連論文リスト
- SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。
本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
論文 参考訳（メタデータ） (2026-03-25T06:14:03Z) - Schrödinger-Inspired Time-Evolution for 4D Deformation Forecasting [3.0519975190807407]
本研究では、4次元予測のための深い畳み込みフレームワーク内に明示的な時間進化演算子を組み込む物理誘導型ニューラルネットワークを提案する。
我々は, 合成ベンチマークを用いて, 強度変形や磁場を含む将来の4次元状態の高精度かつ安定した予測を行う。
論文 参考訳（メタデータ） (2026-01-31T11:17:04Z) - Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution [0.24554686192257422]
このフレームワークはコンポジション対応で、異なるコンポジションを持つデータセットを共同でトレーニングし、潜在グラフ空間で動作する。
このフレームワークは、進化するミクロ構造の空間的および時間的パターンを捉えながら、トレーニング後の計算コストを削減した長距離予測を可能にする。
論文 参考訳（メタデータ） (2025-09-18T14:55:56Z) - Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting [12.301897782320967]
TK-GCNは、幾何学的空間符号化と長距離時間モデリングを統合した2段階のフレームワークである。
我々は,TK-GCNが予測地平線全体にわたって優れた予測精度を提供することを示す。
論文 参考訳（メタデータ） (2025-07-05T01:26:03Z) - Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。
データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
論文 参考訳（メタデータ） (2025-04-26T19:56:38Z) - EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。
本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。
動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。
最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
論文 参考訳（メタデータ） (2025-03-14T13:15:54Z) - ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
シーン理解には3次元セマンティック占有とフロー予測が不可欠である。
本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。
我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
論文 参考訳（メタデータ） (2024-11-12T11:32:56Z) - STGFormer: Spatio-Temporal GraphFormer for 3D Human Pose Estimation in Video [7.345621536750547]
本稿では,ビデオ中の3次元ポーズ推定のためのS-Temporal GraphFormerフレームワーク(STGFormer)を提案する。
まず,人体固有のグラフ分布をより効果的に活用するためのSTGアテンション機構を導入する。
次に、時間次元と空間次元を独立に並列に処理するための変調ホップワイド正規GCNを提案する。
最後に,Human3.6MおよびMPIINF-3DHPデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2024-07-14T06:45:27Z) - Graph and Skipped Transformer: Exploiting Spatial and Temporal Modeling Capacities for Efficient 3D Human Pose Estimation [36.93661496405653]
我々は、簡潔なグラフとSkipped Transformerアーキテクチャを用いて、Transformer-temporal情報を活用するためのグローバルなアプローチを採っている。
具体的には、3Dポーズの段階では、粗粒の体部が展開され、完全なデータ駆動適応モデルが構築される。
実験はHuman3.6M、MPI-INF-3DHP、Human-Evaベンチマークで行われた。
論文 参考訳（メタデータ） (2024-07-03T10:42:09Z) - Global-to-Local Modeling for Video-based 3D Human Pose and Shape
Estimation [53.04781510348416]
フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。
エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。
我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
論文 参考訳（メタデータ） (2023-03-26T14:57:49Z)
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。