論文の概要: Probabilistic Simulation of Gas-Liquid Interfaces with Coupled Flow Matching on Spherical Harmonics

• arxiv url: http://arxiv.org/abs/2610.16327v1
• Date: Mon, 12 Oct 2026 07:45:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:26:10.89094
• Title: Probabilistic Simulation of Gas-Liquid Interfaces with Coupled Flow Matching on Spherical Harmonics
• Title（参考訳）: 球面高調波に結合した気液界面の確率論的シミュレーション
• Abstract要約: 気泡流は強く結合した気泡運動、変形、流体力学的相互作用を含む。 本稿では,コンパクトな共有表現において,気泡軌跡と界面変形を共同で予測するニューラルサロゲートを提案する。
• 参考スコア（独自算出の注目度）: 2.720699926154399
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Bubbly flows involve strongly coupled bubble motion, deformation, and hydrodynamic interactions, making high-fidelity simulation computationally expensive. We propose a neural surrogate that jointly predicts bubble trajectories and interface deformation in a compact, shared representation, replacing costly mesh-resolved simulation with fast generative inference. Because two-phase flow dynamics is nonlinear and chaotic, we treat forecasting as a conditional generative problem rather than deterministic regression, predicting entire future windows in a single pass. We train and evaluate the surrogate on BubbleSH, a Front-Tracking dataset of rising deformable bubble swarms, assessing performance using trajectory, shape, and distributional metrics over kinematic, morphological, and interaction-based properties. The surrogate reproduces key flow statistics while running several orders of magnitude faster than the underlying DNS solver.
• Abstract（参考訳）: 気泡流は強く結合した気泡運動、変形、流体力学的相互作用を伴い、高忠実度シミュレーションは計算コストがかかる。 本稿では,高コストメッシュ分解シミュレーションを高速な生成推論に置き換え,コンパクトで共有表現で気泡軌道と界面変形を共同で予測するニューラルネットワークサロゲートを提案する。 二相流のダイナミクスは非線形でカオスであるため、予測は決定論的回帰よりも条件付き生成問題として扱い、将来のウィンドウ全体を1回のパスで予測する。 変形可能な気泡群を上昇させたフロントトラックデータセットであるBubbleSHのサロゲートを,運動,形態,相互作用に基づく特性の軌跡,形状,分布の指標を用いて評価し,評価を行った。 シュロゲートはキーフロー統計を再現し、基礎となるDNSソルバよりも数桁高速に動作させる。

関連論文リスト

• A Shortcut to Statistically Steady-State Turbulence with Flow Matching [18.320829792574738]
  本稿では,5次元位相空間におけるジャイロ運動乱流の定常統計を直接推定する潜在生成モデルであるGyroFlowを紹介する。 生成品質を評価するために,事前学習されたジャイロキネティックモデルの潜在空間で計算された分布計量FGyDを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:58:13Z)
• BubbleSH: A Dataset of Rising Bubbles with Deformable Interfaces [2.720699926154399]
  本稿では,過渡的な3次元バブル・スワームダイナミクスからなる気泡流データセットBubbleSHを提案する。 このデータセットは、時間分解バブルの軌跡、速度、形状の進化を提供する。 本研究では, バブルキネマティクス, 形態, 相互作用パターンを特徴付けるとともに, 軌跡予測と形状予測の両方について評価指標を導入する。
  論文  参考訳（メタデータ） (2026-07-08T11:06:29Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• All-in-one simulation-based inference [19.41881319338419]
  我々は、現在の制限を克服する新しい償却推論手法、Simformerを提案する。 Simformerは、ベンチマークタスクにおける現在の最先端の償却推論アプローチより優れています。 関数値パラメータを持つモデルに適用することができ、欠落または非構造化データによる推論シナリオを処理でき、パラメータとデータの合同分布の任意の条件をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-04-15T10:12:33Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。