Fugu-MT 論文翻訳(概要): CLNO: Conservative Local Neural Operator for Compressible Flow Prediction

論文の概要: CLNO: Conservative Local Neural Operator for Compressible Flow Prediction

arxiv url: http://arxiv.org/abs/2610.16040v1
Date: Mon, 12 Oct 2026 01:27:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-19 07:58:13.735269
Title: CLNO: Conservative Local Neural Operator for Compressible Flow Prediction
Title（参考訳）: CLNO:圧縮性流れ予測のための保守型局所ニューラルネットワーク
Abstract要約: 圧縮性流れの正確かつ一般化可能な自己回帰予測のための保守的局所的ニューラル演算子(CLNO)を提案する。畳み込み再構成ネットワークはゼロ平均基底関数を用いて微細構造を復元する。局所神経演算子(LNO)と比較して、一般化と競争性、精度の向上を実証した数値実験
参考スコア（独自算出の注目度）: 1.7387171009277216
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a conservative local neural operator (CLNO) for accurate and generalizable autoregressive prediction of compressible flows. Building upon the locality and translation invariance of the local neural operator (LNO), CLNO introduces a conservative evolution framework based on local subdomains of fixed physical size, separating local mean-state evolution from fine-scale reconstruction. The flow is encoded into subdomain-integrated conservative states and fine-scale features, while a shared local network predicts interface fluxes for finite-volume updates that enforce discrete conservation. A convolutional reconstruction network recovers fine-scale structures using zero-mean basis functions, preserving the updated local means and providing information for subsequent evolution. To accommodate different physical parameters, Reynolds--Mach number conditioning modulates the encoding, flux-prediction, and reconstruction networks, enabling a single model to learn parameter-dependent dynamics and generalize to unseen parameter combinations without retraining. CLNO supports prediction across spatial resolutions, computational domain sizes, and boundary conditions. Numerical experiments demonstrate improved generalization and competitive or higher accuracy compared with LNO, including order-of-magnitude error reductions in representative cases, at approximately three to five times the inference cost on periodic benchmarks. These results demonstrate accurate, generalizable, and physically consistent flow prediction through conservative local evolution and fine-scale reconstruction.
Abstract（参考訳）: 圧縮性流れの正確かつ一般化可能な自己回帰予測のための保守的局所的ニューラル演算子(CLNO)を提案する。 CLNOは局所神経オペレータ(LNO)の局所性と翻訳不変性に基づいて、局所的な物理的大きさの局所的なサブドメインに基づく保守的な進化フレームワークを導入し、局所的な平均状態の進化を微細な再構成から分離する。フローはサブドメイン統合された保守状態と微細な特徴に符号化され、共有ローカルネットワークは、離散的な保存を強制する有限ボリューム更新のためのインターフェースフラックスを予測する。畳み込み再構築ネットワークは、ゼロ平均基底関数を用いて微細構造を復元し、更新されたローカル手段を保存し、その後の進化のための情報を提供する。異なる物理パラメータに対応するため、Reynolds--Mach数値条件付けはエンコーディング、フラックス予測、再構成ネットワークを変調し、単一のモデルでパラメータ依存のダイナミクスを学習し、再学習することなくパラメータの組み合わせを一般化する。 CLNOは空間分解能、計算領域サイズ、境界条件の予測をサポートする。数値実験により、LNOと比較して一般化と競争性が向上し、周期的ベンチマークの推論コストの約3倍から5倍の精度で、代表例のオーダー・オブ・マグニチュード誤差の低減を含む精度が向上した。これらの結果は、保守的な局所的進化と微細な再構築を通じて、正確で、一般化可能で、物理的に一貫したフロー予測を示す。

関連論文リスト

Across the Loss Landscape with Progressive Growth [51.366966420881646]
成長を漸進的緩和と見なして、より平坦な地域に向けての訓練戦略がいかに成長・最適化されるかを示す。制御されたおもちゃの流域や現実的なResNet/CI-100環境でこれらの予測を実証的に検証する。プログレッシブな部分空間成長は、より平坦な解を確実に生成するが、曲率の低減は、普遍的にテスト性能の向上に変換されず、平坦性一般化接続における微妙さを強調している。
論文参考訳（メタデータ） (2026-08-25T13:50:48Z)
Feedback Alignment Meets Low-Rank Manifolds: A Structured Recipe for Local Learning [7.034739490820967]
バックプロパゲーション(BP)を用いたディープニューラルネットワーク(DNN)のトレーニングは、最先端の精度を実現するが、大域的なエラー伝搬と完全なパラメータ化が必要である。ダイレクトフィードバックアライメント(DFA)は、メモリ要件の低いローカルで並列化可能な更新を可能にする。低ランク多様体上で直接動作する構造化局所学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-29T15:03:46Z)
Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
論文参考訳（メタデータ） (2025-03-20T12:28:08Z)
PostHoc FREE Calibrating on Kolmogorov Arnold Networks [16.957071012748454]
コルモゴロフ・アーノルドネットワーク(コルモゴロフ・アーノルドネットワーク、KAN)は、コルモゴロフ・アーノルドの表現定理に触発されたニューラルネットワークである。 Kansは、標準MultiLayer Perceptrons(MLPs)によってモデル化されたもの以外の複雑な非線形性を捉えることができるカンは、密集したデータ領域における過信と疎開な領域における過信と示す誤判定された信頼度をしばしば示す。
論文参考訳（メタデータ） (2025-03-03T05:42:49Z)
Mixing-Denoising Generalizable Occupancy Networks [10.316008740970037]
現在の最先端の暗黙のニューラル形状モデルは、畳み込みの帰納的バイアスに依存している。固有モデルバイアスを緩和し、再構成タスクに関連する補助正規化で仮説空間を制約する。結果として得られたモデルは、ポイントクラウドネットワークからローカルに条件付けされた最初のMLPである。
論文参考訳（メタデータ） (2023-11-20T19:05:57Z)
Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文参考訳（メタデータ） (2023-06-06T09:12:49Z)
Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。よりスムーズな関数との補間により、より一般化できることを示す。
論文参考訳（メタデータ） (2023-05-30T19:37:44Z)
Positive-definite parametrization of mixed quantum states with deep neural networks [0.0]
本稿では,GHDOに自己回帰構造を埋め込んで,確率分布を直接サンプリングする方法を示す。我々はこのアーキテクチャを、散逸的横フィールドイジングモデルの定常状態によってベンチマークする。
論文参考訳（メタデータ） (2022-06-27T17:51:38Z)
Sparsely Changing Latent States for Prediction and Planning in Partially Observable Domains [11.371889042789219]
GateL0RDは、安定した、わずかに変化する潜伏状態を維持するために誘導バイアスを組み込んだ、新しいリカレントアーキテクチャである。 GateL0RDは、様々な部分観測可能な予測および制御タスクにおいて、最先端のRNNと競合したり、性能を向上することができることを実証する。
論文参考訳（メタデータ） (2021-10-29T17:50:44Z)
Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。彼らは不利な姿勢と収束の不安定さに悩まされる。本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
論文参考訳（メタデータ） (2021-06-06T18:05:02Z)
Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。