論文の概要: CraftSPH: A high-accuracy and composable differentiable SPH solver implemented in PyTorch

• arxiv url: http://arxiv.org/abs/2609.38208v1
• Date: Thu, 24 Sep 2026 05:00:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.388497
• Title: CraftSPH: A high-accuracy and composable differentiable SPH solver implemented in PyTorch
• Title（参考訳）: CraftSPH:PyTorchで実装された高精度で構成可能なSPHソルバ
• Abstract要約: CraftSPHは滑らかな粒子流体力学のための高精度で構成可能な微分可能な解法である。 このフレームワークは、拡張と更新の継続と同様に、高度な暗黙のメソッドをサポートする。 2次元および3次元のダム破壊問題や上昇気泡問題など、幅広い問題を解決するために使用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Smoothed Particle Hydrodynamics (SPH) is well suited to a range of problems, particularly those involving large deformations in fluid dynamics. In recent years, in addition to the advancement of SPH formulations, the development of differentiable solvers has also progressed. However, unified frameworks that flexibly accommodate diverse numerical schemes, including advanced and implicit methods, while supporting continuous extension and updating remain limited. In this study, a high-accuracy and composable differentiable SPH solver, CraftSPH, has been developed. In CraftSPH, major computational operations are implemented as independent modules, which can be combined according to the intended purpose of constructing a solver. This design enables different computational schemes to be intuitively constructed from combinations of common components and allows newly developed high-accuracy discretization methods to be flexibly incorporated and extended. Furthermore, each module supports automatic differentiation, enabling applications to physical-parameter estimation and to optimization that combines SPH solvers with deep learning models. Accordingly, CraftSPH provides an SPH computational framework in which high-accuracy discretization, explicit and implicit computations, and automatic differentiation can be handled in a unified and extensible manner. To demonstrate the applicability of CraftSPH to a wide range of problems, forward analyses are conducted for Poiseuille flow, two- and three-dimensional dam-break problems, and a rising-bubble problem. In addition, the performance of automatic differentiation is evaluated through inverse problems involving parameter estimation for the Taylor-Green vortex and lid-driven cavity flow.
• Abstract（参考訳）: Smoothed Particle Hydrodynamics (SPH) は様々な問題、特に流体力学における大きな変形によく適している。 近年, SPH の定式化の進展に加えて, 微分可能解法の開発も進展している。 しかし、高度なメソッドや暗黙的なメソッドを含む様々な数値スキームに柔軟に対応できる統一されたフレームワークは、継続的拡張と更新をサポートしながら制限されている。 本研究では,高精度で構成可能なSPHソルバCraftSPHを開発した。 CraftSPHでは、主要な計算操作を独立モジュールとして実装し、ソルバ構築の目的に応じて組み合わせることができる。 この設計により、共通コンポーネントの組み合わせから様々な計算スキームを直感的に構築することができ、新しく開発された高精度な離散化手法を柔軟に組み込んで拡張することができる。 さらに、各モジュールは自動微分をサポートし、物理パラメータ推定やSPHソルバとディープラーニングモデルを組み合わせた最適化を行うことができる。 したがって、CraftSPHは、高精度な離散化、明示的および暗黙的な計算、および自動微分を統一的で拡張可能な方法で処理できるSPH計算フレームワークを提供する。 CraftSPHの幅広い問題への適用性を実証するため,Poiseuille流れ,2次元および3次元のダム破壊問題,上昇気泡問題について前方解析を行った。 さらに,Taylor-Green渦と蓋駆動キャビティ流のパラメータ推定を含む逆問題により,自動微分の性能を評価する。

関連論文リスト

• Beyond Single Solution: Multi-Hypothesis Collaborative Deep Unfolding Network for Image Compressive Sensing [44.028998922506]
  MHC-DUN(Multi-Hypothesis Collaborative Deep Unfolding CS Network)を提案する。 多様な解空間をまたいだ共同最適化により、複数の仮説を明示的にモデル化し、活用する。 実験の結果,提案手法は既存のCSネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2026-06-02T13:50:56Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• diffSPH: Differentiable Smoothed Particle Hydrodynamics for Adjoint Optimization and Machine Learning [21.05257407408671]
  diffSPHは、GPUアクセラレーションを備えたPyTorchで完全に開発された、微分可能なSmoothed Particle Hydrodynamics (SPH)フレームワークである。 diffSPHは、計算流体力学(CFD)における最適化と機械学習(ML)の応用を促進するために、微分を中心に設計されている。 新たなターゲット指向アプローチによるパーティクルシフトに対処するなど,いくつかのアプリケーションを通じて,フレームワークのユニークな機能を実証する。
  論文  参考訳（メタデータ） (2025-07-29T10:54:27Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• Joint Parameter and Parameterization Inference with Uncertainty Quantification through Differentiable Programming [0.20530463088872453]
  本研究では,物理パラメータと不確実な定量化を伴う機械学習パラメータ化を共同で推定するための新しいフレームワークを提案する。 本フレームワークは,高次元パラメータ空間内でのオンライン学習と効率的なベイズ推論を,微分可能プログラミングにより促進する。
  論文  参考訳（メタデータ） (2024-03-04T17:02:23Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Solving Coupled Differential Equation Groups Using PINO-CDE [42.363646159367946]
  PINO-CDEは結合微分方程式群(CDE)を解くためのディープラーニングフレームワークである 物理インフォームド・ニューラル演算子(PINO)の理論に基づいて、PINO-CDEはCDEの全ての量に対して単一のネットワークを使用する。 このフレームワークは、エンジニアリングダイナミクスとディープラーニング技術を統合し、CDEの解決と不確実性伝播のための新しい概念を明らかにする可能性がある。
  論文  参考訳（メタデータ） (2022-10-01T08:39:24Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)

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。