論文の概要: Large Geometry Models Are Priors For Fast Physics Pretraining

• arxiv url: http://arxiv.org/abs/2611.02066v1
• Date: Sun, 01 Nov 2026 17:10:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-12 06:26:03.501712
• Title: Large Geometry Models Are Priors For Fast Physics Pretraining
• Title（参考訳）: 物理予知の高速化に先立つ巨大幾何学モデル
• Abstract要約: 言語とヴィジュアライゼーションモデルは、豊富な未ラベルデータに基づいて事前訓練することで、データ効率が向上した。 幾何学の事前訓練は 物理から派生するのではなく 目標を設計する マスク付きサーフェスオートエンコーダであるAREALSを61,822個の生メッシュ上に配置, 正規および面積, 事前訓練された自己監督, サインフリーで示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language and vision models became data-efficient by pretraining on plentiful unlabelled data; physical field models have such data, over ten million 3D shapes, but geometry pretraining designs its targets rather than deriving them from the physics. Euler-Lagrange geometry pretraining derives them: for attached flow, a shape enters the flow's Euler-Lagrange equation only through coefficients that distance and normal line (the normal up to sign) fix to first order. Their reconstruction error therefore bounds what a representation loses about any field, and fine-tuning on costly simulations need only assemble the global field. We realise it in AREALS, a masked surface autoencoder whose areal tokens carry position, normal and area, pretrained self-supervised and sign-free on 61,822 raw meshes. Because the operating condition enters only through the far field, sensors can supply it: AREALS completes a hidden field in one forward pass without condition labels. It matches the accuracy of the same architecture trained from scratch with half the simulations on DrivAerML and DrivAerNet++ and about a quarter on WindsorML. On DoubleDelta wings, 20 sensors give $3.9\times$ and $4.0\times$ lower field and force error than GABI, a Bayesian inversion method with a learned prior, and beyond the training angles pretraining halves the error.
• Abstract（参考訳）: 物理場モデルは、1000万以上の3D形状を持つが、幾何学的事前訓練は、物理から派生するのではなく、そのターゲットを設計する。 ユーラー・ラグランジュ幾何学の事前訓練は、これらを導出する: 付加フローに対して、形状は、距離と通常の線(通常から符号まで)が一階に固定する係数によってのみフローのオイラー・ラグランジュ方程式に入る。 したがって、それらの再構成誤差は、表現が任意のフィールドで失うものの境界であり、コストのかかるシミュレーションの微調整は、グローバルフィールドを組み立てるだけでよい。 マスク付きサーフェスオートエンコーダであるAREALSでは, 位置, 正常, 面積, 事前訓練された自己監督型, サインフリー型で61,822個の生メッシュ上にアレンジトークンを配置する。 AREALSは条件ラベルなしで1つの前方パスで隠れたフィールドを完了します。 これは、スクラッチからトレーニングされた同じアーキテクチャの正確さと、DrivAerMLとDrivAerNet++のシミュレーションの半分、WindsorMLの約4分の1のシミュレーションとを一致させる。 ダブルデルタの翼では、20個のセンサーがGABIよりも3.9\times$と4.0\times$低いフィールドと力の誤差を与える。

関連論文リスト

• SSIO: Self-Supervised Inertial Odometry [56.68873211346449]
  そこで本研究では,IMUを単体窓上で独立に統合した筋電図教師によって,慣性音韻モデルがゼロから訓練可能であることを示す。 短時間の風速変化のみによって教師されるが、生徒は直接速度を予測することを学び、統合教師よりも正確に行う。
  論文  参考訳（メタデータ） (2026-10-19T08:14:43Z)
• 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)
• Self-supervised Domain Adaptation for Visual 3D Pose Estimation of Nano-drone Racing Gates by Enforcing Geometric Consistency [43.497514957094275]
  シミュレーションデータに基づいて事前学習した畳み込みニューラルネットワークを用いて,ナノクワッドロータの前方のドローンレースゲートの相対的なポーズを視覚的に推定する作業を検討する。 ゲートの前方に任意の軌道を飛行するドローンによって収集された実画像のみを用いた教師なし領域適応(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2026-03-03T12:46:25Z)
• Diffusion Language Models are Super Data Learners [61.721441061210896]
  ユニークなデータが限られている場合、拡散言語モデル(DLM)は、よりエポックなトレーニングによって、常に自己回帰モデル(AR)を上回ります。 本研究の目的は,(1) 任意の次数モデリング,(2) 反復的双方向 denoising からの超高次計算,(3) モンテカルロ増分という3つの複合的要因に起因する。
  論文  参考訳（メタデータ） (2025-11-05T08:17:42Z)
• From Cheap Geometry to Expensive Physics: Elevating Neural Operators via Latent Shape Pretraining [4.838293051443775]
  工業設計評価は、しばしば偏微分方程式(PDE)のシミュレーションに依存する 演算子学習はPDEソリューション予測を加速するための有望なアプローチとして登場した。 我々は、この豊富な物理に依存しない資源をうまく活用するための2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-30T05:01:31Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• HYVE: Hybrid Vertex Encoder for Neural Distance Fields [9.40036617308303]
  本稿では,1つの前方パスにおける3次元形状の正確な符号化に適したニューラルネットワークアーキテクチャを提案する。 我々のネットワークは、非ゼロ距離値や形状占有の事前知識を明示することなく、有効な符号付き距離場を出力することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:07:37Z)
• 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)
• Neural Vector Fields for Implicit Surface Representation and Inference [73.25812045209001]
  近年, 3次元形状を正確に表現し, 学習する試みが盛んに行われている。 我々は、3次元空間における単位ベクトルを考慮し、それをベクトル場(Vector Field, VF)と呼ぶ新しい基本表現を開発する。 VF表現の利点は、オープン、クローズド、多層化、平面面の断片化である。
  論文  参考訳（メタデータ） (2022-04-13T17:53:34Z)

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。