論文の概要: CIS-Transolver: A Cross-Layer Incremental-State Neural Operator for Fine-Scale Automotive Aerodynamic Flow Prediction
- arxiv url: http://arxiv.org/abs/2610.26337v1
- Date: Mon, 19 Oct 2026 13:08:19 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:07:50.306411
- Title: CIS-Transolver: A Cross-Layer Incremental-State Neural Operator for Fine-Scale Automotive Aerodynamic Flow Prediction
- Title（参考訳）: CIS-Transolver:小型自動車空力流予測用クロス層インクリメンタルニューラルネットワーク
- Abstract要約: CIS-Transolverは、局所情報抽出から層間使用まで、きめ細かなモデリングを拡張する、層間インクリメンタルなニューラルネットワークである。
従来のレイヤからの情報とフィードバックを物理注意の値表現と組み合わせることで、局所的な詳細をグローバルな物理相関のモデリングに継続的に貢献することができる。
- 参考スコア（独自算出の注目度）: 2.2431729796178685
- License:
- Abstract: Neural operators offer an efficient data-driven approach to rapid prediction of complex automotive aerodynamic flows. However, spectral bias and other factors limit accurate reconstruction of fine-scale flow variations near complex geometries. Existing studies improve the representation and fitting of fine-scale information mainly through information extraction and training objectives. Further study is needed to determine how extracted local details can be used continually in subsequent operator computations and contribute effectively to the overall flow-field representation. We propose CIS-Transolver, a cross-layer incremental-state neural operator that extends fine-scale modeling from local information extraction to its use across layers. The method extracts fine-scale information through local multiscale analysis and encodes it as geometric moment states that are propagated and updated across layers. By combining information from previous layers with feedback to the value representations in Physics-Attention, the method allows local details to contribute continually to subsequent modeling of global physical correlations. We systematically evaluate CIS-Transolver on three public automotive aerodynamics benchmarks, ShapeNet-Car, AhmedML, and DrivAerNet++, covering surface pressure fields and volumetric pressure and velocity fields. CIS-Transolver achieves the lowest mean relative L2 error among the evaluated methods for all five prediction metrics across the three benchmarks. The relative error reductions average 8.72% across the five metrics compared with the best baseline for each metric, reaching 16.38% for ShapeNet-Car pressure prediction and 15.60% for AhmedML velocity prediction. These results provide a new approach to fine-scale flow prediction for complex geometries.
- Abstract（参考訳）: ニューラルネットワークは、複雑な自動車空力流の高速予測に効率的なデータ駆動型アプローチを提供する。
しかし、スペクトルバイアスやその他の要因は、複雑な地形の近くでの微細な流れの変化を正確に再現することを制限する。
既存の研究は、情報抽出と訓練の目的を中心に、精密な情報の表現と適合性を改善している。
さらに, その後の演算子計算において, 抽出した局所的詳細を連続的に利用し, フロー場全体の表現に効果的に寄与する方法について検討する必要がある。
CIS-Transolverは、局所的な情報抽出から層間の使用まで、微細なモデリングを拡張可能な層間インクリメンタル・ステート・ニューラル演算子である。
本手法は局所的マルチスケール解析により微細な情報を抽出し,それを層間を伝播・更新する幾何学的モーメント状態として符号化する。
従来のレイヤからの情報とフィードバックを物理注意の値表現と組み合わせることで、局所的な詳細をグローバルな物理相関のモデリングに継続的に貢献することができる。
CIS-Transolverを3つの公用自動車空気力学ベンチマーク、ShapeNet-Car, AhmedML, DrivAerNet++で評価し, 表面圧力場と体積圧力, 速度場について検討した。
CIS-Transolverは3つのベンチマークで評価された5つの予測指標のうち、最小の相対的なL2誤差を達成している。
相対誤差の減少は5つの指標で平均8.72%であり、各指標で最高のベースラインであり、ShapeNet-Carの圧力予測では16.38%、AhmedMLの速度予測では15.60%に達した。
これらの結果は複雑な地形の微細な流れ予測に対する新しいアプローチを提供する。
関連論文リスト
- HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction [4.6204257898221845]
本稿では,車両表面メッシュから直接C_D$を予測するための階層型グラフプーリングネットワークであるHGPTransを提案する。
このモデルは、大規模なDriivAerNetとDriivAerNet++データセットでトレーニングされ、評価される。
評価基準線のうち、最小平均絶対誤差と平均二乗誤差を達成する。
論文 参考訳（メタデータ） (2026-09-24T07:59:46Z) - A Geometry-Aware Triplane Field Network for Vehicle Aerodynamic Prediction [7.1872832596556835]
本研究は,車両の空気力学的圧力と壁せん断応力予測のための幾何学的三面体ネットワーク(GTF-Net)という,機械学習に基づく手法を提案する。
クエリ段階では、サンプリングされた三面体の特徴と車両の方向座標、正常射影特性、およびボクセルベースの曲率プロキシが組み合わされる。
GTF-Netは圧力予測において0.157から0.145、壁せん断応力予測において0.237から0.226までの相対L2誤差を改善する。
論文 参考訳（メタデータ） (2026-06-05T16:25:09Z) - Neural Approximators for Low-Thrust Trajectory Transfer Cost and Reachability [1.9020115730627583]
本稿では,低推力軌跡計測のための汎用事前学習ニューラルネットワークを提案する。
データは自己相似空間に変換され、ニューラルネットワークは任意の半大軸、傾斜、中心体に適応する。
得られたニューラルネットワークは、速度増加を予測する相対誤差が0.78%、最小転送時間推定が0.63%に達する。
論文 参考訳（メタデータ） (2025-08-04T21:25:46Z) - 3D Neural Operator-Based Flow Surrogates around 3D geometries: Signed Distance Functions and Derivative Constraints [3.100300350494905]
高忠実度3次元流れシミュレーションの計算コストは依然として大きな課題である。
我々は、符号付き距離関数(SDF)を介して幾何学情報を組み込んだ変種であるDeepONet(DeepONet)とGeometric-DeepONet(Geometric-DeepONet)を評価する。
その結果,Geometric-DeepONetは標準のDeepONetに比べて境界層精度を最大32%向上することがわかった。
論文 参考訳（メタデータ） (2025-03-21T16:40:48Z) - Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。
FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。
業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2025-02-06T18:57:57Z) - A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z)
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。