論文の概要: Learning Incompressible 3D Flows from Sparse Samples: A Set Transformer Approach to Divergence-Free Kernel Fitting

• arxiv url: http://arxiv.org/abs/2610.16645v1
• Date: Mon, 12 Oct 2026 12:06:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.368563
• Title: Learning Incompressible 3D Flows from Sparse Samples: A Set Transformer Approach to Divergence-Free Kernel Fitting
• Title（参考訳）: スパースサンプルからの非圧縮性3次元流れの学習:ダイバージェンスフリーカーネルフィッティングのためのセットトランスフォーマアプローチ
• Abstract要約: DFK-Formerは、スパース、ノイズ、不規則にサンプリングされた3D観測からばらつきのない速度場を再構成するセット・ツー・フィールド・トランスフォーマーである。 これは、建設によって正確に非圧縮性を満たす連続したメッシュフリーな速度場を生成する。
• 参考スコア（独自算出の注目度）: 45.20850219249498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering divergence-free velocity fields from sparse and corrupted observations requires reconciling physical consistency, expressive representations, and robustness to missing data. We introduce DFK-Former, a set-to-field transformer that reconstructs divergence-free velocity fields from sparse, noisy, and irregularly sampled 3D observations. The model is inherently invariant to the number and ordering of input samples and predicts the parameters of a divergence-free kernel representation, producing continuous, mesh-free velocity fields that satisfy incompressibility exactly by construction rather than approximately through soft constraints or projection operators. Unlike existing divergence-free kernel approaches, which estimate kernel coefficients via a separate optimization for each field, DFK-Former predicts these coefficients directly in a single forward pass. This eliminates costly iterative fitting while providing a learned prior that enables accurate reconstruction even when observations are insufficient to uniquely determine the field. To enhance representational power, we introduce adaptive and anisotropic divergence-free kernels that preserve exact incompressibility guarantees while capturing more complex flow structures. Extensive experiments across varying levels of sparsity, noise, and occlusion, including transfer to real Direct Numerical Simulation (DNS) turbulence data, demonstrate substantial gains in both accuracy and efficiency. DFK-Former reduces endpoint error by up to 4.6x compared to per-field divergence-free-kernel optimization, while reconstructing each field in 7.5 ms instead of 9.8 s, yielding a speedup of more than three orders of magnitude. These results establish direct, feed-forward prediction of divergence-free kernel parameters as a practical and effective paradigm for physically consistent velocity-field reconstruction from sparse observations.
• Abstract（参考訳）: スパースと破損した観測からばらつきのない速度場を復元するには、物理的一貫性、表現的表現、欠落したデータに対する堅牢さの調整が必要である。 本研究では,スパース,ノイズ,不規則な3次元観察からばらつきのない速度場を再構成するセット・ツー・フィールド・トランスフォーマーであるDFK-Formerを紹介する。 このモデルは本来、入力サンプルの数と順序に不変であり、分散のないカーネル表現のパラメータを予測し、ソフト制約や投影演算子を通してではなく、建設によって正確に非圧縮性を満たす連続的なメッシュフリーな速度場を生成する。 分散のない既存のカーネルアプローチとは異なり、DFK-Formerは1つのフォワードパスでこれらの係数を直接予測する。 これにより、観測が不十分でフィールドを一意に決定できない場合でも、正確な再構築が可能な学習済みの事前情報を提供しながら、コストのかかる反復的なフィッティングを排除できる。 表現力を高めるために、より複雑なフロー構造を捕捉しながら、正確な不圧縮性を保証する適応的および異方性なばらつきのないカーネルを導入する。 実数値シミュレーション(DNS)乱流データへの転送を含む、様々なレベルの空間性、ノイズ、閉塞性に関する広範囲な実験は、精度と効率の両方において顕著に向上することを示した。 DFK-Formerは、フィールドごとのばらつきのないカーネル最適化に比べてエンドポイントエラーを最大4.6倍削減し、各フィールドを9.8秒ではなく7.5msで再構築し、3桁以上のスピードアップをもたらす。 これらの結果は、スパース観測による物理的に一貫した速度場再構成のための実用的で効果的なパラダイムとして、分散のないカーネルパラメータの直接、フィードフォワード予測を確立する。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• FREESIA: Covariance-Aware Posterior Transport for Expressive and Scalable Data Assimilation [5.387311686961052]
  複雑なシステムのための訓練不要で正確な後部輸送法を提案する。 提案手法は, 複雑な後部構造を捕捉し, スパース, 非線形および非射影観察において精度を保っている。 スパースな非注入条件下では、RMSEは最高のベースラインに対して56%減少する。
  論文  参考訳（メタデータ） (2026-09-19T07:49:32Z)
• Domain-decomposed Evolutional Deep Neural Network with Random Features for Transient Pressure Diffusion with Discontinuous and High-Contrast Coefficients [7.119247958793647]
  本研究では,時間的進化から空間近似を分離するドメイン分解型ランダム機能進化型ディープニューラルネットワーク(DD RF-EDNN)を開発した。 この定式化は、繰り返しのニューラルネットワーク最適化なしに離散フロー問題の散逸構造を維持している。
  論文  参考訳（メタデータ） (2026-09-17T06:13:33Z)
• From Scores to Gibbs Correctors: Accelerating Uniform-Rate Discrete Diffusion Models [58.02657021435213]
  我々は、Gibs-Accelerated Discrete Diffusion (GADD)と呼ばれる離散拡散モデルのための新しいGibsベースの修正器を提案する。 我々はGADDが$mathcalO(mathrmpolylog (varepsilon-1)$の総合的なサンプリング複雑性を達成し、均一レートの離散拡散モデルに対する拡散に基づくサンプリング者にとって最初のレートとなることを示す。
  論文  参考訳（メタデータ） (2026-05-26T17:52:28Z)
• Inverse Neural Operator for ODE Parameter Optimization [6.148294495010685]
  Inverse Neural Operator (INO) は、疎部分的な観測から隠されたODEパラメータを復元するフレームワークである。 INOは0.23秒の推論時間しか必要とせず、パラメータ回復の精度で勾配ベースと償却ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-12T12:20:23Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Representing Flow Fields with Divergence-Free Kernels for Reconstruction [26.098802942143642]
  分散自由カーネル(DFK)に基づく新しい流れ場再構築フレームワークを提案する。 DFKs-Wen4は速度場に対する解析的分散のない近似の最適形である。
  論文  参考訳（メタデータ） (2025-04-02T17:13:59Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)

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。