論文の概要: CoPiT: A conditional Position-induced Transformer for aerodynamic field prediction on unstructured meshes

• arxiv url: http://arxiv.org/abs/2610.32299v1
• Date: Fri, 23 Oct 2026 07:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.426948
• Title: CoPiT: A conditional Position-induced Transformer for aerodynamic field prediction on unstructured meshes
• Title（参考訳）: CoPiT:非構造メッシュ上の空力場予測のための条件付き位置誘導変圧器
• Abstract要約: CoPiT は textbfConditional textbfPosition によって誘導される textbfTransformer である。 多段特徴量線形変調(FiLM)により大域条件ベクトルを注入する。 表面と体積の損失はトランスオーバーに比べて約54%と24%減少する。
• 参考スコア（独自算出の注目度）: 5.996944588917578
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-fidelity Reynolds-averaged Navier--Stokes (RANS) simulations remain a standard tool for aerodynamic analysis, yet each solve on an unstructured mesh is computationally expensive, making many-query tasks such as design exploration, optimization, and multi-condition evaluation costly. Neural operators provide mesh-flexible surrogates for mapping geometry and operating conditions to flow fields; however, in many existing architectures, global parameters such as the freestream state and design variables are concatenated with pointwise inputs, leaving their influence on intermediate features implicit. This paper proposes CoPiT, a \textbf{Co}nditional \textbf{P}osition-induced \textbf{T}ransformer that builds on the Position-induced Transformer (PiT) as its geometric backbone and injects a global condition vector through multi-stage feature-wise linear modulation (FiLM), thereby making parametric modulation explicit while preserving geometry-based attention weights. The model is evaluated on two-dimensional AirfRANS airfoil fields, including scarce-data and extrapolation regimes, and on three-dimensional BlendedNet++ blended-wing-body surfaces. On the AirfRANS full-data test set, CoPiT reduces surface and volume losses by approximately 54\% and 24\% relative to Transolver, respectively, and achieves the lowest overall normalized test MSE among the compared baselines on BlendedNet++. Matched ablations show that FiLM conditioning generally improves upon input concatenation, while the preferred placement is task-dependent. CoPiT thus provides a practical operator-learning surrogate for parametric aerodynamics on unstructured meshes.
• Abstract（参考訳）: 高忠実度レイノルズ平均Navier-Stokes (RANS) シミュレーションは、空気力学解析の標準ツールであり続けているが、非構造化メッシュ上の各解は計算コストがかかり、設計探索、最適化、複数条件評価などの多くのクエリータスクがコストがかかる。 ニューラルネットワークは、幾何学や操作条件をフロー場にマッピングするためのメッシュフレキシブルなサロゲートを提供するが、既存の多くのアーキテクチャでは、フリーストリーム状態や設計変数といったグローバルパラメータはポイントワイドな入力と結合しており、中間的特徴への影響は暗黙的である。 本稿では、位置誘起変換器(PiT)を背骨として構築し、多段特徴量線形変調(FiLM)により大域条件ベクトルを注入し、幾何学的注意重みを保ちながらパラメトリック変調を明示するCoPiTを提案する。 このモデルは、不足データや外挿規則を含む2次元のAirfRANS翼場と、3次元のBlendedNet++ブレンド翼体表面で評価される。 AirfRANSのフルデータテストセットでは、CoPiTは、それぞれTransolverに対して、表面損失とボリューム損失を約54\%と24\%に削減し、BlendedNet++上で比較されたベースラインの中で、最も低い全体正規化テストMSEを達成する。 一致したアブリゲーションにより、FILM条件付けは一般的に入力結合によって改善されるが、望ましい配置はタスク依存である。 したがって、CoPiTは非構造メッシュ上のパラメトリック空気力学のための実用的な演算子学習サロゲートを提供する。

関連論文リスト

• CANTO: CAD-Native Transformer Operators for AI-Aided Engineering [37.644374600631004]
  CANTOは、連続CAD幾何学から物理場へ直接マッピングするトランスフォーマーニューラル演算子で、入力をメッシュ化しない。 CANTOを4つの自動車・航空機産業ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-09-29T06:21:15Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• BlendedNet++: A Large-Scale Blended Wing Body Aerodynamics Dataset and Benchmark [4.128170991070137]
  本稿では,BlendedNet++について紹介する。BlendedNet++は,BWB航空機を対象とする大規模空力データセットとベンチマークである。 データセットには12,000以上のユニークなジオメトリが含まれており、それぞれが単一の飛行条件でシミュレートされ、安定したRANS CFDに対して12,490の空気力学的結果が得られる。 このデータセットを用いて、フォワードサロゲートベンチマークを標準化し、6つのモデルファミリーのポイントワイドフィールドを予測する。 本研究では, 条件付き拡散モデルを用いて, 一定飛行条件下で, 所定のリフト・アンド・ドラグ比を達成するための逆設計課題を提案する。
  論文  参考訳（メタデータ） (2025-12-02T22:39:07Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
  非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。 いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
  論文  参考訳（メタデータ） (2023-08-16T14:25:30Z)
• Parametric Generative Schemes with Geometric Constraints for Encoding and Synthesizing Airfoils [25.546237636065182]
  特定の制約を満たしつつ,設計空間の複雑さを捉えるために,ディープラーニングに基づく2つの生成スキームを提案する。 ソフト制約スキームは、予想される幾何学的制約からわずかにずれた翼を生成するが、それでも基準翼に収束する。 制約の厳しいスキームは、幾何学的制約に厳密に固執しつつ、より広い範囲の幾何学的多様性を持つ翼を生産する。
  論文  参考訳（メタデータ） (2022-05-05T05:58:08Z)

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。