論文の概要: Beyond Affine Reconstruction: Multi-Resolution Transformer DeepONets for the Radiative Transfer Equation

• arxiv url: http://arxiv.org/abs/2610.33668v1
• Date: Sat, 24 Oct 2026 13:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.418622
• Title: Beyond Affine Reconstruction: Multi-Resolution Transformer DeepONets for the Radiative Transfer Equation
• Title（参考訳）: アフィンリコンストラクションを超えて: 放射移動方程式のための多解変換器DeepONets
• Abstract要約: 我々はマルチレゾリューションRTEサロゲートモデリングのためのトランスフォーマーベースのDeepONetを開発した。 提案手法は,空間分解能の異なる温度および吸収係数場を固定サイズ潜在表現に変換するPerceiverエンコーダを組み合わせたものである。 2次元プールファイアデータセットの実験により、提案手法は、トレーニング可能なパラメータが少なく、放射強度と入射放射の両方を予測するために、オートエンコーダベースのDeepON Radiatetsより優れていることが示された。
• 参考スコア（独自算出の注目度）: 3.2017502155566633
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Radiative heat transfer plays a dominant role in fire simulations, where solving the radiative transfer equation (RTE) is a computational bottleneck. Neural operators can accelerate these computations by learning solution operators from offline simulation data. However, conventional DeepONet surrogates rely on fixed-grid inputs and affine reconstruction, limiting their flexibility across resolutions and their approximation accuracy at a fixed latent dimension. In this paper, we develop a transformer-based DeepONet for multi-resolution RTE surrogate modelling. The proposed approach combines a Perceiver encoder, which maps temperature and absorption coefficient fields at different spatial resolutions into a fixed-size latent representation, with a cross-attention decoder that enables non-affine reconstruction of the radiative intensity. This architecture allows a single model to process inputs at varying resolutions without resampling them onto a common grid. We formulate a computable empirical version of a previously derived theoretical lower bound for affine reconstruction, enabling direct comparison with model errors on the same dataset. Experiments on a two-dimensional pool-fire dataset demonstrate that the proposed approach outperforms autoencoder-based DeepONets in predicting both radiative intensity and incident radiation, with fewer trainable parameters. Power spectral density analysis shows improved preservation of small-scale structures. Both affine baselines remain above the corresponding lower bound at all evaluated ranks, whereas the proposed model achieves a training error below it at one matched latent dimension, demonstrating the potential of non-affine reconstruction to overcome this representational limitation. Experiments on a dataset combining three spatial resolutions confirm the accuracy advantage of the approach at each input resolution.
• Abstract（参考訳）: 放射熱伝達は、放射熱伝達方程式(RTE)の解法が計算ボトルネックとなる火災シミュレーションにおいて重要な役割を担っている。 ニューラルネットワークは、オフラインシミュレーションデータから解演算子を学習することで、これらの計算を高速化することができる。 しかし、従来のDeepONetサロゲートは固定グリッド入力とアフィン再構成に依存しており、解像度の柔軟性と固定潜在次元での近似精度を制限している。 本稿では,マルチレゾリューションRTEサロゲートモデリングのための変換器ベースのDeepONetを提案する。 提案手法は,空間分解能の異なる温度および吸収係数場を固定サイズ潜在表現にマッピングするPerceiverエンコーダと,放射強度の非アフィン再構成を可能にするクロスアテンションデコーダを組み合わせる。 このアーキテクチャにより、単一のモデルで共通のグリッドに再サンプリングすることなく、様々な解像度でインプットを処理できる。 我々は、アフィン再構成のための理論的下界の計算可能な実験バージョンを定式化し、同一データセット上のモデル誤差と直接比較できるようにする。 2次元プールファイアデータセットの実験により、提案手法は、トレーニング可能なパラメータが少なく、放射強度と入射放射の両方を予測するために、オートエンコーダベースのDeepONetsよりも優れていることが示された。 パワースペクトル密度解析は、小型構造物の保存性の向上を示している。 両アフィンベースラインは、全ての評価されたランクにおいて対応する下界より上であり、一方、提案モデルは、一致した潜在次元において、その下にあるトレーニング誤差を達成し、この表現制限を克服するための非アフィン再構成の可能性を示す。 3つの空間分解能を組み合わせたデータセットの実験により、各入力分解能におけるアプローチの精度の利点が確認された。

関連論文リスト

• Extreme-Scale Super-Resolution of Homogeneous Turbulence from a Single Realization [0.6008132390640294]
  単一実現パッチベースの学習は、高解像度のトレーニングデータが不足している場合、乱流超解像に対して有望なデータ効率のアプローチである。 これらの結果は,高分解能トレーニングデータが不足している場合の乱流超解像に対する有望なデータ効率のアプローチとして,単一実現パッチベースの学習を確立した。
  論文  参考訳（メタデータ） (2026-10-14T14:54:20Z)
• 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)
• Learning-Based Reconstruction of Optical Properties in Bilayered Media from Single-distance Time-Resolved Reflectance Measurements [1.629288881045104]
  拡散方程式に基づく逆解法は、しばしば構造的不均一性と競合する。 本稿では,2層媒体の光学特性を再構築するための代替手法として,機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-17T06:52:51Z)
• Back-Projection Diffusion: Solving the Wideband Inverse Scattering Problem with Diffusion Models [2.717354728562311]
  広帯域散乱データから逆散乱マップによって誘導される後部分布を近似する,エンドツーエンドの確率的フレームワークであるワイドバンドバックプロジェクション拡散を提案する。 この枠組みは高精度な再構成を行い、条件付き拡散モデルを利用してサンプルを描画し、波動伝播の基礎物理学の対称性を賞賛する。
  論文  参考訳（メタデータ） (2024-08-05T23:33:24Z)
• Hierarchical Neural Operator Transformer with Learnable Frequency-aware Loss Prior for Arbitrary-scale Super-resolution [13.298472586395276]
  科学データの解像度を高めるために,任意のスケールの超解像(SR)法を提案する。 異なるドメインからの多様なデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-05-20T17:39:29Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)

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。