論文の概要: Cross-Domain Pretraining for Steady-State Neural CFD Surrogates

• arxiv url: http://arxiv.org/abs/2610.10398v1
• Date: Wed, 07 Oct 2026 16:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.060073
• Title: Cross-Domain Pretraining for Steady-State Neural CFD Surrogates
• Title（参考訳）: 定常型ニューラルCFDサロゲートのクロスドメイン前処理
• Abstract要約: 異なる測地、境界条件、忠実度で訓練されたニューラルサロゲートについて検討する。 ドメイン間の事前トレーニングにより、ホールドアウトデータセットのゼロショットと少数ショットのパフォーマンスが向上することがわかった。
• 参考スコア（独自算出の注目度）: 10.979058399552358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural surrogates for computational fluid dynamics (CFD) have the potential to greatly enhance engineering innovation through accelerating simulation. However, the primary limitation for neural surrogates is the lack of generalization to geometries and applications beyond the training set, which is significant given the diversity of engineering scenarios. Currently, this is addressed by generating a new dataset for a specific application; however, this requires running costly numerical solvers. In this work, we take a step toward addressing this by studying neural surrogates trained across different geometries, boundary conditions, and fidelities. We find that cross-domain pretraining improves zero- and few-shot performance on held-out datasets relative to both training from scratch and transferring from domain-specific experts. In particular, finetuning a pretrained, cross-domain model can achieve 2-3x lower errors at the same sample size and use 8x fewer samples to achieve the same error, compared to training from scratch. This benefit is architecture agnostic and improves with model size and pretraining dataset diversity. Furthermore, we study how and why cross-domain pretraining works in CFD surrogates, and find that simply pooling steady-state datasets is both sufficient and effective. Given the high cost of generating CFD data, leveraging existing datasets through cross-domain pretraining will likely be a valuable strategy as future surrogates expand to tackle new problems and use cases.
• Abstract（参考訳）: 計算流体力学(CFD)のためのニューラルサロゲートは、シミュレーションを加速することで、工学的イノベーションを大幅に強化する可能性がある。 しかしながら、ニューラルサロゲートの最大の制限は、トレーニングセットを超えた幾何学や応用への一般化の欠如である。 現在、これは特定のアプリケーションのための新しいデータセットを生成することで対処されている。 本研究では、異なる測地、境界条件、忠実度で訓練されたニューラルサロゲートを研究することによって、この問題に対処するための一歩を踏み出した。 ドメイン間の事前トレーニングは、トレーニングのスクラッチとドメイン固有の専門家からの転送の両方と比較して、ホールトアウトデータセットにおけるゼロショットと少数ショットのパフォーマンスを改善する。 特に、トレーニング済みのクロスドメインモデルを微調整することで、同じサンプルサイズで2～3倍のエラーを達成でき、スクラッチからのトレーニングと比較して、サンプルを8倍少なくして同じエラーを達成できる。 この利点はアーキテクチャ非依存であり、モデルのサイズとデータセットの多様性を事前訓練することで改善される。 さらに、CFDサロゲートにおけるクロスドメイン事前トレーニングの動作方法と理由について検討し、定常データセットのプールだけで十分かつ効果的であることを見出した。 CFDデータを生成するコストが高いことから、ドメイン間の事前トレーニングを通じて既存のデータセットを活用することは、将来のサロゲートが新たな問題やユースケースに取り組むために拡大する上で、貴重な戦略になるだろう。

関連論文リスト

• Development and Validation of a Physics-Guided Machine Learning Extrapolation Framework Using a Classical Transient Diffusion Benchmark [0.0]
  厳密な検証は、トレーニング範囲外のデータの不足によって妨げられます。 新しい補間フレームワークは、正確で物理的に一貫した予測を可能にするために、確立された機械学習アーキテクチャと統合されている。
  論文  参考訳（メタデータ） (2026-09-09T09:09:04Z)
• Keeping Score: Efficiency Improvements in Neural Likelihood Surrogate Training via Score-Augmented Loss Functions [46.638644823334424]
  パラメータ推論は、しばしば計算に高価な確率関数によってボトルネックされる。 正確なスコア情報を用いて、標準的なバイナリクロスエントロピー損失を増大させることを提案する。 場合によっては、トレーニング時間の1.1倍未満のトレーニングデータを10倍に増やすことができる。
  論文  参考訳（メタデータ） (2026-05-12T13:34:30Z)
• Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
  ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。 本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
  論文  参考訳（メタデータ） (2025-06-01T20:32:27Z)
• Adapting In-Domain Few-Shot Segmentation to New Domains without Retraining [53.963279865355105]
  クロスドメイン小ショットセグメンテーション(CD-FSS)は、新しいドメインで新しいクラスのオブジェクトをセグメンテーションすることを目的としている。 多くのCD-FSSメソッドは、様々なドメイン一般化手法を用いて、ドメイン内FSSモデルを再設計し、再訓練する。 そこで,本研究では,FSSモデルを対象ドメインに適応させ,少数ショットラベル付きサポートサンプルからドメイン特性を学習する手法を提案する。
  論文  参考訳（メタデータ） (2025-04-30T08:16:33Z)
• Transferable Post-training via Inverse Value Learning [83.75002867411263]
  別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。 このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。 得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
  論文  参考訳（メタデータ） (2024-10-28T13:48:43Z)
• IT$^3$: Idempotent Test-Time Training [95.78053599609044]
  ディープラーニングモデルは、トレーニングデータとテストデータの間の分散シフトのために、現実世界の環境にデプロイする際に苦労することが多い。 Idempotent Test-Time Training (IT$3$) は、現在のテストインスタンスのみを使用して、分散シフトへのオンザフライ適応を可能にする新しいアプローチである。 この結果から,イデオポテンスはドメインやアーキテクチャをまたいで一般化するテスト時間適応の普遍的原理を提供すると考えられる。
  論文  参考訳（メタデータ） (2024-10-05T15:39:51Z)
• Finding Foundation Models for Time Series Classification with a PreText Task [7.197233473373693]
  本稿では,時系列分類のための事前訓練済みドメイン基盤モデルを提案する。 我々の方法論の重要な側面は、複数のデータセットにまたがる新しいプリテキストタスクである。 UCRアーカイブの実験では,この事前学習戦略が,事前学習を伴わずに従来の訓練方法よりも有意に優れていたことが示されている。
  論文  参考訳（メタデータ） (2023-11-24T15:03:55Z)
• Style-transfer GANs for bridging the domain gap in synthetic pose estimator training [8.508403388002133]
  画素レベルの画像変換に汎用的なGANモデルを採用することを提案する。 得られたモデルは、トレーニング中または推論時に、ドメインギャップをブリッジするために使用される。 ドメインランダム化の程度で訓練されたモデルと比較すると,モデルの性能は大幅に向上した。
  論文  参考訳（メタデータ） (2020-04-28T17:35:03Z)

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。