論文の概要: Application of PDE emulators for a multi-material, multi-physics simulation problem

• arxiv url: http://arxiv.org/abs/2610.37972v1
• Date: Tue, 27 Oct 2026 21:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.332874
• Title: Application of PDE emulators for a multi-material, multi-physics simulation problem
• Title（参考訳）: 多材料・多物理シミュレーション問題へのPDEエミュレータの適用
• Abstract要約: 我々は,複数の材料を含む計算物理課題において,代理モデルとして訓練されたコンピュータビジョンに基づくアーキテクチャを評価する。 この結果から,スパースデータと不均衡データのための学習アルゴリズム,空間エンコーディングと物理一貫性メトリクスの適応技術,および十分なトレーニングデータを生成するためのコスト削減手法の重要性が明らかになった。
• 参考スコア（独自算出の注目度）: 27.29266388436646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) architectures are being developed for fast emulation of numerical simulators to accelerate both scientific discovery and engineering design. While these approaches are well-tested on popular PDE (partial differential equation) benchmarks, it is necessary to evaluate their performance on datasets that more accurately reflect industrial and engineering applications. We evaluate several computer vision-based architectures trained as surrogate models on a challenging computational physics task involving multiple materials, revealing significant implementation challenges for adapting certain pre-trained models, including transformer-based architectures. For such multi-physics multi-material datasets, our results underscore the importance of learning algorithms designed for sparse and imbalanced data, techniques for adapting spatial encodings and physical consistency metrics, in addition to methods for reducing the cost of generating sufficient training data.
• Abstract（参考訳）: 機械学習(ML)アーキテクチャは、科学的な発見と工学的設計の両方を加速するために、数値シミュレータの高速エミュレーションのために開発されている。 これらの手法は、一般的なPDE(Partial differential equation)ベンチマークでよくテストされているが、産業や工学の応用をより正確に反映したデータセット上での性能を評価する必要がある。 我々は,複数の材料を含む計算物理課題において,シュロゲートモデルとして訓練された複数のコンピュータビジョンベースアーキテクチャを評価し,トランスフォーマーベースアーキテクチャを含む事前学習モデルに適応するための重要な実装課題を明らかにした。 このような多分野のマルチマテリアルデータセットに対しては,空間エンコーディングや物理整合性メトリクスを適応させる手法や,十分なトレーニングデータを生成するためのコスト削減手法など,スパースデータと不均衡データのための学習アルゴリズムの重要性が評価された。

関連論文リスト

• A strategic roadmap for an atomistic machine-learning ecosystem [78.5239580299636]
  データ駆動機械学習(ML)技術は多くの分野において重要なツールとなっている。 物質の原子論的なシミュレーションへの応用は、特に広く、衝撃的である。 コミュニティは2026年1月にローザンヌで会合を開き、アルゴリズム、モデル、ソフトウェア、ハードウェアインフラストラクチャについて議論した。
  論文  参考訳（メタデータ） (2026-09-30T06:27:17Z)
• A Foundation Model for Material Fracture Prediction [37.06207593775499]
  フラクチャー予測のためのデータ駆動基礎モデルを提案する。 シミュレーター、幅広い材料、様々な負荷条件で作動する。 さまざまな下流タスクに関する最小限のデータで微調整できる。
  論文  参考訳（メタデータ） (2025-07-30T20:23:36Z)
• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Physics-Learning AI Datamodel (PLAID) datasets: a collection of physics simulations for machine learning [0.15469999759898032]
  PLAIDは物理シミュレーションのデータセットを表現および共有するためのフレームワークである。 PLAIDはシミュレーションデータを記述するための統一標準を定義する。 PLAID標準の下で,構造力学と計算流体力学を網羅した6つのデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-05-05T18:59:17Z)
• Meta-Learning for Airflow Simulations with Graph Neural Networks [3.52359746858894]
  本稿では,OoD(Out-of-distribution)サンプルにおける学習モデルの性能向上のためのメタラーニング手法を提案する。 具体的には,各気翼上のCFD内の気流シミュレーションをメタラーニング問題として設定し,一つの気翼形状で定義された各例を個別のタスクとして扱う。 学習モデルのOoD一般化性能向上のための提案手法の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2023-06-18T19:25:13Z)
• Differentiable Multi-Fidelity Fusion: Efficient Learning of Physics Simulations with Neural Architecture Search and Transfer Learning [1.0024450637989093]
  ニューラル・アーキテクチャ・サーチ(NAS)を利用して、異なる問題に対する適切なモデル・アーキテクチャを自動的に探索する微分可能なmf(DMF)モデルを提案する。 DMFは、少数の高忠実度トレーニングサンプルで物理シミュレーションを効率よく学習することができ、最先端の手法よりも優れたマージンを持つ。
  論文  参考訳（メタデータ） (2023-06-12T07:18:13Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)

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。