論文の概要: PoreML: A Data-Driven Framework for Learning Multiphase Flow in Porous Media
- arxiv url: http://arxiv.org/abs/2610.10314v1
- Date: Wed, 07 Oct 2026 16:08:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:23.020132
- Title: PoreML: A Data-Driven Framework for Learning Multiphase Flow in Porous Media
- Title（参考訳）: PoreML: 多孔質メディアにおける多相フロー学習のためのデータ駆動フレームワーク
- Abstract要約: PoreMLは、データ生成、モデルトレーニング、および多孔質物理学に基づく評価を統一するオープンソースのフレームワークである。
3.3TBデータセットには、560のシミュレーション実行と4つのアプリケーション駆動シナリオにわたる158,546のストアドタイムステップが含まれている。
統合学習フレームワークは、一段階の予測と自動回帰ロールアウトを評価する。
- 参考スコア（独自算出の注目度）: 5.973988306210935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiphase flow in porous microstructures is central to CO$_2$ storage, fuel-cell operation, and flip-chip packaging. Predicting these flows remains challenging because wettability and complex pore geometry govern the nonlinear evolution of fluid interfaces. Machine learning holds substantial promise for advancing the field, but progress is constrained by scarce time-resolved 3D datasets and a lack of a unified workflow for training and evaluating models. To fill this critical gap, we introduce PoreML, an open-source framework unifying data generation, model training, and evaluation grounded in pore-scale physics. The framework comprises three core components. (a) A modern GPU-native lattice Boltzmann solver, validated against analytical solutions and published experiments, enables reproducible data generation. (b) A 3.3 TB dataset contains 560 simulation runs and 158,546 stored time steps across four application-driven scenarios. These trajectories span synthetic structures and geometries derived from micro-CT scans of real materials, covering diverse wetting conditions and viscosity ratios. (c) A unified learning framework evaluates one-step prediction and autoregressive rollouts. Its domain-specific evaluation protocols assess predictive accuracy and physical consistency. We evaluate five models of diverse architecture under these protocols. Two complementary challenges assess transfer to larger domains and from synthetic to micro-CT-derived structures. PoreML provides a shared foundation for machine-learning research on multiphase flow in porous media, with the aim of empowering the community to develop reliable predictive models and advance the field.
- Abstract（参考訳）: 多孔質組織における多相流は、CO$2$貯蔵、燃料電池運転、フリップチップ包装の中心である。
濡れやすさと複雑な細孔形状が流体界面の非線形進化を制御しているため、これらの流れを予測することは依然として困難である。
機械学習は、分野を前進させるための大きな約束を持っているが、進歩は、時間解決の少ない3Dデータセットと、モデルのトレーニングと評価のための統合ワークフローの欠如によって制限されている。
この重要なギャップを埋めるために、私たちはPoreMLを紹介します。PoreMLは、データ生成、モデルトレーニング、および、多孔質物理学の基礎となる評価を統一するオープンソースのフレームワークです。
フレームワークは3つのコアコンポーネントから構成される。
(a)最新のGPUネイティブ格子ボルツマン解法は,解析解に対する検証と公開実験を行い,再現可能なデータ生成を可能にする。
(b)3.3TBデータセットには、560のシミュレーション実行と4つのアプリケーション駆動シナリオにまたがる158,546のストアドタイムステップが含まれている。
これらの軌道は、実際の物質の微小CTスキャンから得られた合成構造とジオメトリーにまたがり、様々な湿潤条件と粘度比をカバーしている。
(c)統合学習フレームワークは,一段階の予測と自動回帰ロールアウトを評価する。
ドメイン固有の評価プロトコルは、予測精度と物理的整合性を評価する。
これらのプロトコルの下で,5つの多様なアーキテクチャモデルを評価する。
2つの相補的な課題は、より大きなドメインへの移動と、合成から微小CT由来の構造からの評価である。
PoreMLは多孔質メディアにおける多相フローに関する機械学習研究のための共通基盤を提供する。
関連論文リスト
- From Models to Systems: A Comprehensive Survey of Efficient Multimodal Learning [126.2308206954491]
本調査では,効率的なマルチモーダル学習のためのモデル・ツー・システム分類を初めて導入した。
我々は300を超える精巧な作品から3つの階層的なレベル – モデル,アルゴリズム,システム – への洞察を抽出し,アーキテクチャのパーシモニー,実行の洗練,ハードウェア対応のオーケストレーションを行う。
論文 参考訳（メタデータ） (2026-09-16T21:27:22Z) - SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models [88.64689505355055]
我々は、データ準備から長距離推論まで、インタラクティブなビデオワールドモデルを構築するための完全にオープンな基盤であるSolarWMを紹介した。
SolarWMは、再構成可能なマルチソースデータエンジンとバックボーンネイティブ適応フレームワークとの結合に対処する。
Wan2.2、LTX-2.5、MiniMax-H3に基づく4つの5B-33Bモデルを、ネイティブ表現と目的を保存しながらインスタンス化する。
結果として生じる因果モデルにより、わずか5秒のシーケンスでトレーニングされた数分から数時間のロールアウトをリアルタイムに対話することができる。
論文 参考訳（メタデータ） (2026-09-02T17:59:41Z) - A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。
進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。
まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。
次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
論文 参考訳（メタデータ） (2026-04-08T12:23:27Z) - Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。
MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
論文 参考訳（メタデータ） (2026-03-18T09:41:01Z) - ERNIE 5.0 Technical Report [244.36480708815316]
ERNIE 5.0は、テキスト、画像、ビデオ、オーディオをまたいだ統合されたマルチモーダル理解と生成のための統合された自己回帰基盤モデルである。
ERNIE 5.0は、多様なリソース制約下での大規模デプロイメントの実践的な課題に対処するため、新しい弾力性トレーニングパラダイムを採用している。
ERNIE 5.0は、複数のモードで強い、バランスの取れた性能を実現する。
論文 参考訳（メタデータ） (2026-02-04T16:18:15Z) - AutoHood3D: A Multi-Modal Benchmark for Automotive Hood Design and Fluid-Structure Interaction [0.0]
このデータセットは,ロータリーディップ塗装時の流体巻き込みおよび慣性負荷による実用的多物理問題フード変形を中心に構築されている。
各フードは、合計1.2Mセルを用いたLES(Large-Eddy Simulation)-Finite Element Analysis(FEA)で数値モデル化される。
データセットは、STLメッシュと構造化された自然言語プロンプトとともに、時間分解された物理フィールドを提供する。
論文 参考訳（メタデータ） (2025-11-05T14:09:03Z) - Towards Robust Surrogate Models: Benchmarking Machine Learning Approaches to Expediting Phase Field Simulations of Brittle Fracture [0.0]
フラクチャーモデリングのためのML手法のベンチマークと進歩を目的としたPFMシミュレーションに基づくデータセットを提案する。
このデータセットには3つのエネルギー分解方法、2つの境界条件、合計6,000のシミュレーションのための1000のランダムな初期き裂構成が含まれている。
本研究は, フラクチャーメカニクス研究における機械学習の進歩のためのテストベッドとして, このデータセットの有用性を実証するものである。
論文 参考訳（メタデータ） (2025-07-09T19:14:56Z) - Geometry Matters: Benchmarking Scientific ML Approaches for Flow Prediction around Complex Geometries [23.111935712144277]
複雑な幾何学体を取り巻く流体力学の迅速かつ正確なシミュレーションは、様々な工学的・科学的応用において重要である。
科学機械学習(SciML)はかなりの可能性を示してきたが、この分野のほとんどの研究は単純な幾何学に限られている。
本稿では,複雑な地形上での流動予測のための多種多様なSciMLモデルのベンチマークにより,このギャップを解消する。
論文 参考訳（メタデータ） (2024-12-31T00:23:15Z)
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。