論文の概要: Scale-Split Neural Operator for Memory- and Data-Efficient 3D Turbulence Prediction

• arxiv url: http://arxiv.org/abs/2609.38977v1
• Date: Wed, 30 Sep 2026 04:52:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.193588
• Title: Scale-Split Neural Operator for Memory- and Data-Efficient 3D Turbulence Prediction
• Title（参考訳）: メモリ・データ効率3次元乱流予測のためのスケールスプリット型ニューラル演算子
• Abstract要約: 本論文では,2つのニューラル演算子による乱流のスケール構造を利用したスケールスプリット-NO(Scale-Split Neural Operator)を提案する。 2つの高分解能乱流ベンチマークにおいて、ScaleSplit-NOは予測精度とデータ効率の両方で競合するベースラインをすべて越えている。
• 参考スコア（独自算出の注目度）: 14.74291325699209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural surrogates have emerged as fast alternatives to the numerical simulation of three-dimensional turbulence. However, training them at high resolution remains challenging, since the memory of full-field models grows with the resolution. In addition, full-resolution training data are expensive to simulate and store, and therefore scarce. We introduce ScaleSplit-NO (Scale-Split Neural Operator), which exploits the scale structure of turbulence with two neural operators: a Parent predicts the global coarse field at the next time step, and a Child predicts full-resolution local patches conditioned on this prediction. Neither model operates on the full-resolution field. The Child is pretrained alone and then attached to the Parent's coarse prediction through zero-initialized connections. On two complex high-resolution turbulence benchmarks, ScaleSplit-NO surpasses all competing baselines in both prediction accuracy and data efficiency. On the higher-resolution dataset JHTDB256 ($256^3$), its normalized mean squared error (NMSE) is 53% lower than that of the strongest baseline, and its training memory is 79% lower than that of the most memory-efficient baseline. We further demonstrate its effectiveness for urban wind prediction in a real district of Montreal on a $500\times150\times500$ grid, reducing one-step NMSE by 65.8% relative to the baseline. Moreover, swapping in a Parent trained on additional coarse fields improves prediction without retraining the Child, providing further accuracy gains at a small storage cost.
• Abstract（参考訳）: ニューラルサロゲートは3次元乱流の数値シミュレーションの高速な代替として現れた。 しかし、フルフィールドモデルの記憶は解像度とともに大きくなるため、高解像度でのトレーニングは依然として困難である。 さらに、フルレゾリューションのトレーニングデータは、シミュレートや保存に費用がかかるため、不十分である。 本研究では、2つのニューラル演算子による乱流のスケール構造を利用するスケールスプリット-NO(Scale-Split Neural Operator)を紹介した。 どちらのモデルもフルレゾリューションフィールドでは動作しない。 子供は単独で事前訓練され、ゼロ初期接続を通じて親の粗い予測に添付される。 2つの複雑な高分解能乱流ベンチマークにおいて、ScaleSplit-NOは予測精度とデータ効率の両方で競合するベースラインをすべて越えている。 高解像度データセットであるJHTDB256(256^3$)では、その正規化平均二乗誤差(NMSE)は最強ベースラインよりも53%低く、トレーニングメモリは最もメモリ効率のよいベースラインよりも79%低い。 さらに,モントリオールの都市部における風速予測の有効性を500\times150\times500$グリッドで実証し,基準値に対して1段階のNMSEを65.8%削減した。 さらに、追加の粗いフィールドで訓練された親の交換は、子を再訓練することなく予測を改善し、少ないストレージコストでさらなる精度向上を提供する。

関連論文リスト

• SED:Lightweight Saliency prediction for Event-based data via Distillation [9.412244205469465]
  イベントベースのサリエンシ予測は、上流のステージとして機能し、エッジでの下流のイベントベースの知覚の効率を自然に改善する。 我々は,DSTconv(Depthwise Spatio-Temporal Block)上に構築された知識蒸留による軽量ネットワークを提案する。 教師に対して、モデルのサイズを180MBから0.32MB(562x)に減らし、パラメータ数を45Mから81k(554x)に減らした。 トレーニング分布を超えて、スクラッチからトレーニングされたモデルが失敗する合成データから実際のイベントデータへの転送を強く一般化する。
  論文  参考訳（メタデータ） (2026-06-12T16:59:10Z)
• Machine Learning Models to Identify Promising Nested Antiresonance Nodeless Fiber Designs [0.0]
  高速なネスト型反共振ノードレスファイバ(NANF)の同定を目的とした機械学習フレームワークを提案する。 小型データセットは, 安定かつ高精度な性能予測に十分であり, 設計空間を最大14e6$のケースで探索できることを示す。
  論文  参考訳（メタデータ） (2026-03-02T14:13:59Z)
• Neural Neural Scaling Laws [40.38002195911611]
  我々は,時系列外挿としてスケール法則を予測するニューラルネットワークであるNeuNeu(NeuNeu)を提案する。 NeuNeuは66の下流タスクでモデル精度を予測する場合、2.04%の平均絶対誤差を達成している。 我々の研究は、データから直接下流のスケーリング法則を予測することはパラメトリックな代替法よりも優れていることを示唆している。
  論文  参考訳（メタデータ） (2026-01-27T17:38:11Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Artificial neural networks ensemble methodology to predict significant wave height [0.0]
  本稿では,RNN,LSTM,CNN,ハイブリッドCNN-LSTMという,異なるニューラルネットワークのアンサンブルを作成する手法を提案する。 ネットワークはNOAAの数値再放送データを用いて訓練され、観測データと数値モデル出力の間の残差を目標とする。 その結果、我々のフレームワークは、最高のケースシナリオで最大88%の精度で、80%の精度で、高い効率の予測を作成できることがわかった。
  論文  参考訳（メタデータ） (2025-09-17T14:25:57Z)
• PIAD-SRNN: Physics-Informed Adaptive Decomposition in State-Space RNN [1.3654846342364306]
  時系列予測は、精度と効率のトレードオフを要求することが多い。 物理インフォームド適応分解状態空間RNNであるPIAD-SRNNを提案する。 屋内空気質データセットにおけるPIAD-SRNNの性能評価を行った。
  論文  参考訳（メタデータ） (2024-12-01T22:55:58Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)

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。