論文の概要: PhysicsNeMo-Mesh: GPU-Native Meshes and Simulation Cases for Physics AI
- arxiv url: http://arxiv.org/abs/2610.39072v1
- Date: Thu, 29 Oct 2026 00:02:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.436628
- Title: PhysicsNeMo-Mesh: GPU-Native Meshes and Simulation Cases for Physics AI
- Title（参考訳）: PhysicsNeMo-Mesh: 物理AIのためのGPU-Native Meshとシミュレーションケース
- Abstract要約: PhysicsNeMo-Mesh はオープンソースの PhysicsNeMo ライブラリのメッシュモジュールである。
PyVistaと同様のメッシュ処理を提供するが、GPU上、バッチ中、およびPyTorchの自動微分内で動作する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: PhysicsNeMo-Mesh is the mesh module of the open-source PhysicsNeMo library. It provides mesh processing similar to PyVista, but on the GPU, in batches, and inside PyTorch's automatic differentiation. Like xarray for unstructured meshes, it attaches semantics to data: fields on points, cells, and whole meshes have names and shapes, and a simulation case keeps the complete PDE problem specification, including boundary conditions and their prescribed values. It addresses three problems that plague machine learning for physical simulation. First, GPU utilization is bottlenecked by I/O, because samples are very large relative to the compute per forward pass. Second, because traditional preprocessing is expensive, it is necessarily done once, during curation, rather than differently for each model and workflow at the point of use. Finally, advanced equivariant and mesh-native architectures require information that curation ordinarily discards. Fast GPU mesh processing makes it practical to preprocess at the point of use: on one GB200 GPU, mesh operations run $6.2\text{--}1{,}068\times$ faster than VTK with 72 threads, and loading a whole case is $8.0\text{--}88\times$ faster than reading its VTK files ($8.0\times$ when both read the same fields). Overlapped with training, this preprocessing costs $2.1\%$ of throughput for a $127\,\text{ms}$ Transolver step. So one dataset serves many models and workflows: in PhysicsNeMo's public recipe, one stored DrivAerML dataset feeds Transolver, GeoTransolver, and GLOBE. PhysicsNeMo-Mesh combines the speed of an intermediate array store with the flexibility of an archival format such as VTK. When shapes and wall conditions both vary, per-boundary conditions cut a heat-conduction error from $87\%$ to $6\text{--}9\%$. And by keeping field ranks and named boundaries, it retains the semantic structure that next-generation architectures will need.
- Abstract（参考訳）: PhysicsNeMo-Mesh はオープンソースの PhysicsNeMo ライブラリのメッシュモジュールである。
PyVistaと同様のメッシュ処理を提供するが、GPU上、バッチ中、およびPyTorchの自動微分内で動作する。
非構造化メッシュのxarrayのように、データにセマンティクスを付加する: 点、セル、メッシュ全体のフィールドには名前と形状があり、シミュレーションケースは境界条件と所定の値を含む完全なPDE問題仕様を保持する。
物理的なシミュレーションのために機械学習を悩ませる3つの問題に対処する。
第一に、GPUの利用はI/Oによってボトルネックとなる。
第二に、従来の前処理は高価であるため、使用時点での各モデルやワークフローが異なるのではなく、キュレーション中に一度行われる必要がある。
最後に、高度な同変およびメッシュネイティブアーキテクチャは、通常、キュレーションが破棄される情報を必要とする。
1GB200 GPUでは、6.2\text{--}1{,}068\times$は72スレッドのVTKよりも高速で、ケース全体をロードすると8.0\text{--}88\times$はVTKファイルを読むよりも速い(8.0\times$)。
この前処理はトレーニングでオーバーラップされ、127ドル、\text{ms}$ Transolver ステップでスループットが 2.1 % になる。
そこで、1つのデータセットは、多くのモデルとワークフローを提供する: PhysicsNeMoの公開レシピでは、1つのストアされたDrivAerMLデータセットがTransolver、GeoTransolver、GLOBEをフィードする。
PhysicsNeMo-Meshは、中間配列ストアの速度とVTKのようなアーカイブフォーマットの柔軟性を組み合わせる。
形状と壁の条件がそれぞれ異なる場合、境界あたりの条件は熱伝導誤差を 87\%$ から 6,\text{--}9\%$ に削減する。
そして、フィールドランクと名前付きバウンダリを維持することで、次世代アーキテクチャに必要なセマンティック構造を保持します。
関連論文リスト
- Physically Partitioned KVCache Format for CPU--GPU Load Balancing in MoE Inference [10.117126683546028]
Mixture-of-Experts(MoE)モデルを用いたシングルGPUのロングコンテキスト推論では、キー値キャッシュ(KVCache)をCPUメモリに流出させる必要がある。
既存のKVCache抽象化は、単一の物理的状態のモノリシックオブジェクト上のストレージセマンティクスのみを提供する。
InplaceKVCache は KVCache の最初の抽象化であり,書き込み時に各バイトの物理的常駐を形式的に固定する。
論文 参考訳（メタデータ） (2026-09-13T13:33:24Z) - QSimAdv: A Late-Bound, Vendor-Agnostic Architecture for High-Performance Quantum-Circuit Simulation [1.435000056979246]
QSimAdvは共通カーネルではなく遅延バインディングである。
この設計はNVIDIA GH200とAMD MI250X/EPYCシステムで実現している。
論文 参考訳（メタデータ） (2026-08-11T23:17:29Z) - MeshFlow: Efficient Artistic Mesh Generation via MeshVAE and Flow-based Diffusion Transformer [82.3429532054028]
MeshFlowは、アーティストのような3Dメッシュを生成する新しい方法だ。
我々のモデルは最速のARジェネレータより18倍速くメッシュを生成する。
論文 参考訳（メタデータ） (2026-06-03T08:57:15Z) - ChunkFT: Byte-Streamed Optimization for Memory-Efficient Full Fine-Tuning [58.54940026861599]
textscChunkFTはメモリ効率の良い微調整フレームワークである。
textscChunkFTは、ネットワークアーキテクチャを変更することなく任意のサブテンソルの勾配計算を可能にする。
textscChunkFTは、既存のメモリ効率のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-20T13:44:44Z) - Training Transformers for Mesh-Based Simulations [3.4998703934432682]
本稿では,アテンションマスクとして隣接行列を利用する新しいグラフトランスフォーマーアーキテクチャを提案する。
60以上のモデルをトレーニングして、FLOPのトレーニングとパラメータのスケーリングの法則を見つけます。
導入されたモデルは、最大3万ノードと300万エッジのメッシュ上で実行する、素晴らしいスケーラビリティを示している。
論文 参考訳（メタデータ） (2025-08-25T14:10:13Z) - EvaSurf: Efficient View-Aware Implicit Textured Surface Reconstruction [53.28220984270622]
3次元再構成法はリアルタイムに3次元整合性のある高忠実度結果を生成する。
提案手法は,合成と実世界の両方のデータセット上で,高品質な外観と正確なメッシュを再構築することができる。
我々の方法は1つのGPUを使ってたった1～2時間でトレーニングでき、40FPS(Frames per second)以上のモバイルデバイス上で実行することができる。
論文 参考訳（メタデータ） (2023-11-16T11:30:56Z) - INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order
Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。
InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。
1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
論文 参考訳（メタデータ） (2023-08-11T04:24:39Z) - Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。
本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
論文 参考訳（メタデータ） (2022-07-09T09:14:12Z) - Scaling Up Models and Data with $\texttt{t5x}$ and $\texttt{seqio}$ [118.04625413322827]
$texttt5x$と$texttseqio$は、言語モデルの構築とトレーニングのためのオープンソースのソフトウェアライブラリである。
これらのライブラリは、複数のテラバイトのトレーニングデータを持つデータセット上で、数十億のパラメータを持つモデルをトレーニングするために使用されています。
論文 参考訳（メタデータ） (2022-03-31T17:12:13Z) - Giga-scale Kernel Matrix Vector Multiplication on GPU [19.663081364196778]
Kernel matrix-vector multiplication (KMVM) は、機械学習と科学計算の基礎となる演算である。
KMVMはメモリと時間の両方で二次的にスケールする傾向があるため、アプリケーションはしばしばこれらの計算制約によって制限される。
本稿では,これらのスケーリング問題に対処するため,textitFaster-Fast and Free Memory Method(f30,000m$)という新しい近似手法を提案する。
論文 参考訳（メタデータ） (2022-02-02T15:28:15Z) - ClimART: A Benchmark Dataset for Emulating Atmospheric Radiative
Transfer in Weather and Climate Models [13.514499533538789]
我々はClimARTという大規模なデータセットを構築し、現在の、工業以前の、将来の気候条件から、カナダ地球系モデルに基づいて、Emph10万以上のサンプルを収集した。
ClimARTは、複数のアウト・オブ・ディストリビューションテストセット、基礎となるドメイン物理学、精度と推論速度のトレードオフなど、MLコミュニティにいくつかの方法論上の課題を提起している。
また、以前の作業で使用されるデータセットとネットワークアーキテクチャの欠点を示す新しいベースラインをいくつか提示する。
論文 参考訳（メタデータ） (2021-11-29T16:32:31Z)
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。