論文の概要: Physics Foundation Models for Efficient Control of Fluid Flows

• arxiv url: http://arxiv.org/abs/2610.15173v1
• Date: Sat, 10 Oct 2026 20:51:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:15:17.660799
• Title: Physics Foundation Models for Efficient Control of Fluid Flows
• Title（参考訳）: 流体の効率的な制御のための物理基礎モデル
• Abstract要約: 本研究では,PDE予測のための物理基礎モデル (PFM) を閉ループ流動制御に再利用できるかどうかを検討する。 フリーズした事前学習表現に軽量なガウス俳優と批評家の頭部をアタッチすることで、PFMベースのコントローラを構築する。 我々は,HydroGymの2次元コルモゴロフ流環境に対する渦度観測によるアプローチを評価する。
• 参考スコア（独自算出の注目度）: 42.628421392139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate whether a physics foundation model (PFM) pretrained for PDE forecasting can be repurposed for closed-loop fluid-flow control. We construct a PFM-based controller by attaching lightweight Gaussian actor and critic heads to frozen pretrained representations and train the policy using proximal policy optimization (PPO). We evaluate the approach on HydroGym's two-dimensional Kolmogorov-flow environment using vorticity observations at \(64\times64\) and \(128\times128\) resolutions and Reynolds numbers \(\mathrm{Re}=100\) and \(200\). Across these settings, we compare the frozen PFM controller against a baseline MLP policy trained with the same PPO framework. The PFM controller achieves consistently higher reward while requiring smaller executed action magnitudes over training, indicating improved control performance with reduced control effort. These results provide initial evidence that representations learned through self-supervised next-frame prediction can be transferred directly to closed-loop fluid flow control. Project page: https://mahindrautela.github.io/morph.
• Abstract（参考訳）: 本研究では,PDE予測のための物理基礎モデル (PFM) を閉ループ流動制御に再利用できるかどうかを検討する。 我々は,軽量なガウスアクタと批評家の頭部を凍結した事前訓練された表現にアタッチすることで,PFMベースのコントローラを構築し,近似ポリシー最適化(PPO)を用いてポリシーを訓練する。 我々は,HydroGymの2次元コルモゴロフ流環境に対するアプローチを,(64\times64\)および(128\times128\)分解能およびレイノルズ数 \(\mathrm{Re}=100\)および(200\)の渦度観測を用いて評価した。 これらの設定の中で、凍結したPFMコントローラと、同じPPOフレームワークでトレーニングされたベースラインMPPポリシーを比較した。 PFMコントローラは、訓練中により小さな実行動作のマグニチュードを必要としながら、常に高い報酬を達成し、制御労力を削減した制御性能の向上を示す。 これらの結果は、自己教師付き次フレーム予測によって学習した表現が、閉ループ流体制御に直接転送できるという最初の証拠を提供する。 プロジェクトページ: https://mahindrautela.github.io/morph

関連論文リスト

• PPG-Bench: A Unified Benchmark for PPG Foundation Models [6.383771493909507]
  光胸腺撮影 (PPG) はウェアラブルや臨床機器によって大規模に記録されている。 PPGファンデーションモデル(FM)は、様々な下流タスクに対する再利用可能な表現を計算するために開発されている。 PPG-Benchは、9つのオープンアクセスデータセット、26のタスクにまたがる心臓血管状態の推定、睡眠、スクリーニング、識別の5つの公開PSG FMを評価する、統一されたオープンソースベンチマークである。
  論文  参考訳（メタデータ） (2026-10-09T11:34:45Z)
• ReFPO: Reflow Regularization for Flow Matching Policy Gradients [58.32178725687043]
  本稿では,フローマッチングポリシーに明示的なリフロー正規化を追加する,シンプルなオンラインRL手法を提案する。 ReFPOはGridWorld, MuJoCo Playground, および高次元ヒューマノイド制御タスクにおける平均性能と離散化を改善することを実験的に実証した。
  論文  参考訳（メタデータ） (2026-06-19T04:23:10Z)
• Flow-DPPO: Divergence Proximal Policy Optimization for Flow Matching Models [61.74572554094633]
  比クリッピングは流れモデルに不適であると主張する。 本稿では,比クリッピングを分岐近位制約に置き換えるFlow-DPPOを提案する。 実験により,フローDPPOはKL近位効率が向上し,高い報酬が得られることが示された。
  論文  参考訳（メタデータ） (2026-06-09T15:59:57Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
  強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。 現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
  論文  参考訳（メタデータ） (2026-01-21T14:13:44Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• Unifying Model Predictive Path Integral Control, Reinforcement Learning, and Diffusion Models for Optimal Control and Planning [6.871390204787483]
  我々は,Gibs測度の勾配に基づく最適化により,MPPI,RL,拡散モデルを結ぶ統一的な視点を確立する。 まず,MPPIをスムーズなエネルギー関数上の勾配上昇として解釈できることを示す。 次に、目的関数に指数変換を適用することにより、ポリシー勾配法がMPPIに還元されることを実証する。
  論文  参考訳（メタデータ） (2025-02-27T19:26:36Z)

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。