論文の概要: BAT-NO: A Boundary-Condition-Aware Transformer Neural Operator for Crashworthiness Prediction of Vehicle Components

• arxiv url: http://arxiv.org/abs/2610.03854v1
• Date: Fri, 02 Oct 2026 17:06:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:45:43.968372
• Title: BAT-NO: A Boundary-Condition-Aware Transformer Neural Operator for Crashworthiness Prediction of Vehicle Components
• Title（参考訳）: BAT-NO: 車両部品の耐衝撃性予測のための境界コンディション対応変圧器ニューラル演算子
• Abstract要約: 本研究では、過渡変位場の自己回帰予測のための境界条件対応変圧器ニューラル演算子(BAT-NO)を提案する。 Bピラーシミュレーションフレームワークは、幾何、衝突位置、速度のバリエーションの一般化を評価し、剛性をサポートする。 BAT-NOは, 評価ベースラインのうち, 最終段階の平均ユークリッド変位誤差が最低となる。
• 参考スコア（独自算出の注目度）: 9.368489153302326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity finite-element simulations provide accurate crashworthiness predictions, but their cost limits iterative design exploration. Deep learning surrogates can reduce this cost, but many component-level models are developed under a single prescribed boundary condition, limiting generalisation to boundary variations. This work proposes a Boundary-Condition-Aware Transformer Neural Operator (BAT-NO) for autoregressive prediction of transient displacement fields and scalar crashworthiness responses under variations in geometry and boundary conditions. A B-pillar simulation framework evaluates generalisation across variations in geometry, impact position and velocity, and support stiffness. BAT-NO combines recurrent mesh processing with latent-grid Fourier operator processing. Boundary-condition information is transferred to the latent grid through a hybrid local--global mechanism. Slice-based attention models interactions among physically related regions, while direct boundary-to-grid projection preserves local spatial structure. Across the validation sets for the shape-only, shape-and-loading, and shape-loading-boundary cases, BAT-NO achieves the lowest mean final-step mean nodal Euclidean displacement error among the evaluated baselines. In the most challenging case, it reduces the mean error by 32.6% relative to the second-best model. Hyperparameter tuning reduces the validation error from 0.451 to 0.269 mm, with a comparable error of 0.267 mm on 300 unseen test simulations sampled within the investigated design space. An attention-based scalar decoder jointly predicts six response trajectories with a mean relative error of 2.46%. Most derived crashworthiness indicators have median errors below 3%. These results show that explicit local and global boundary-condition representations improve crashworthiness prediction over expanded component-level design spaces.
• Abstract（参考訳）: 高忠実度有限要素シミュレーションは、正確な耐クラッシュ性予測を提供するが、そのコストは反復的な設計探索に制限される。 ディープラーニングサロゲートは、このコストを削減することができるが、多くのコンポーネントレベルのモデルは、1つの所定の境界条件の下で開発され、一般化を境界変動に制限する。 本研究は,過渡変位場の自動回帰予測と,幾何および境界条件の変動を考慮したスカラー・クラッシュ性応答のための境界条件対応型変圧器ニューラル演算子 (BAT-NO) を提案する。 Bピラーシミュレーションフレームワークは、幾何、衝突位置、速度のバリエーションの一般化を評価し、剛性をサポートする。 BAT-NOはリカレントメッシュ処理とラテントグリッドフーリエ演算子処理を組み合わせる。 境界条件情報は、ハイブリッドローカル-グローバル機構を介して潜在グリッドに転送される。 スライスに基づくアテンションモデルは物理的に関連のある領域間の相互作用をモデル化する一方、直接境界から格子への投影は局所的な空間構造を保存する。 BAT-NOは、形状限定、形状載荷、形状載荷バウンダリケースの検証セット全体において、評価基準線のうち、最小値の平均結節平均ユークリッド変位誤差を達成している。 最も難しい場合、平均誤差を第2のベストモデルと比較して32.6%削減する。 ハイパーパラメータチューニングは、検査された設計空間内でサンプリングされた300個の未確認試験シミュレーションにおいて、検証誤差を0.267mmから0.269mmに削減する。 注意に基づくスカラーデコーダは、平均相対誤差2.46%の6つの応答軌跡を共同で予測する。 ほとんどの起因した耐衝撃性指標は3%以下の中央値の誤差を持つ。 これらの結果から, 局所的および大域的境界条件表現により, 拡張されたコンポーネントレベルの設計空間上での耐クラッシュ性予測が向上することが示唆された。

関連論文リスト

• PMosFM: Preconditioned Manifold Matching for One-Step Physics-Constrained Generation [47.34605477768213]
  textbf Preconditioned textbfManifold textbfone-textbfstep textbfFlow textbfMatching (textbfPMosFM) は1ステップの物理制約付き生成のための事前条件付き多様体マッチングフレームワークである。 多様体デコーダの制約を符号化することにより、PMosFMは残留損失と終端残差を分離することなく固有座標の輸送を学習する。
  論文  参考訳（メタデータ） (2026-09-30T17:48:21Z)
• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• CANTO: CAD-Native Transformer Operators for AI-Aided Engineering [37.644374600631004]
  CANTOは、連続CAD幾何学から物理場へ直接マッピングするトランスフォーマーニューラル演算子で、入力をメッシュ化しない。 CANTOを4つの自動車・航空機産業ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-09-29T06:21:15Z)
• PulseQuant: Propagation-Guided Subspace Correction for 4-Bit Video Diffusion Transformers [46.65151972014436]
  PulseQuantは、軌道感度とアクティベーション幾何を組み合わせてオフラインキャリブレーションを誘導する4ビット後量子化法である。 制御された介入は、短水平伝播誤差が即時ブロック出力誤差よりも確実に最終潜時誤差を予測することを示している。
  論文  参考訳（メタデータ） (2026-09-27T09:04:51Z)
• Crash Assessment via Mesh-Based Graph Neural Networks and Physics-Aware Attention [0.0]
  ニューラルサロゲートが、十分な精度、空間的規則性、および工学的解釈のための構造的妥当性で、フルフィールド・クラッシュ・キネマティクスを再現できるかどうかを評価する。 提案アーキテクチャは, 局所メッシュメッセージパッシング, ジオメトリ対応のグローバルアテンション, 自動回帰クラッシュロールアウトのための疎接触対応補正を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-05-12T08:50:49Z)
• Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
  本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T05:59:54Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• GLOBE: Accurate and Generalizable PDE Surrogates using Domain-Inspired Architectures and Equivariances [0.0]
  GLOBEは、学習可能なグリーン関数のようなカーネルの重ね合わせとして、境界面からターゲットへ評価されるソリューションである。 AirFRANSでは、GLOBEは相当な精度向上を実現している。 結果は、厳密な物理学とドメインにインスパイアされた帰納的バイアスが、精度、一般化可能性、実用性に大きな利益をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-11-19T20:23:51Z)
• 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)

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。