論文の概要: DynaSolver: A Neural Operator for Autoregressive 4D Flow Prediction with Dynamic Boundaries

• arxiv url: http://arxiv.org/abs/2611.03595v1
• Date: Mon, 02 Nov 2026 18:39:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:45:05.156284
• Title: DynaSolver: A Neural Operator for Autoregressive 4D Flow Prediction with Dynamic Boundaries
• Title（参考訳）: DynaSolver:動的境界を用いた自己回帰4次元流れ予測のためのニューラル演算子
• Abstract要約: 各種形態と流れ条件にまたがる時間分解型ベンチマークであるRoboCFD-4Dを導入する。 設定の計算的および自己回帰的課題に対処するために,境界の進化と因果フロー履歴を明示的に規定したニューラル演算子Dynarを提案する。 さらに, 並列集中管理を保ちながら, 自己回帰的に生成された履歴にモデルを公開し, リプレイ強化並列訓練についても紹介する。
• 参考スコア（独自算出の注目度）: 23.050326185206114
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural operators provide efficient surrogates for computational fluid dynamics (CFD), but most are designed for static geometries and are not equipped to model unsteady flows induced by continuously moving boundaries. We study dynamic-boundary 4D CFD prediction for articulated moving geometries and introduce RoboCFD-4D, a temporally resolved robotic CFD benchmark spanning diverse morphologies and flow conditions. To address the computational and autoregressive challenges of this setting, we propose DynaSolver, a neural operator that explicitly conditions on boundary evolution and causal flow history. DynaSolver employs an efficient physical-token formulation that amortizes point-to-token projection across the operator stack, substantially reducing repeated point-space spatio-temporal computation while retaining accurate point-level reconstruction. We further introduce Replay-Augmented Parallel Training, which exposes the model to autoregressively generated histories while preserving parallel dense supervision, narrowing the gap between ground-truth-conditioned training and autoregressive rollout. Experiments on RoboCFD-4D show that DynaSolver achieves the best full-rollout accuracy among a broad range of learned CFD surrogates, with its advantage increasing as rollout proceeds, indicating substantially reduced autoregressive error accumulation. Project page: https://made-gpt.github.io/DynaSolver-ProjectPage.
• Abstract（参考訳）: ニューラル作用素は計算流体力学(CFD)に効率的な代理を提供するが、その多くは静的な測地のために設計されており、連続的に動く境界によって誘導される非定常流をモデル化するものではない。 本研究では, 時間分解型ロボットCFDベンチマークであるRoboCFD-4Dを導入した。 この設定の計算的および自己回帰的課題に対処するために,境界の進化と因果フロー履歴を明示的に規定したニューラル演算子DynaSolverを提案する。 DynaSolverは、演算子スタック全体にわたるポイント・ツー・ツー・ケンプロジェクションを補正し、正確なポイント・レベル再構成を維持しながら、繰り返し点空間の時空間計算を著しく削減する効率的な物理・ツー・ケンの定式化を採用している。 さらに, 自己回帰的に生成された履歴にモデルを公開し, 並列集中管理を保ちながら, 自己回帰学習と自己回帰学習のギャップを狭めるReplay-Augmented Parallel Trainingを紹介した。 RoboCFD-4Dの実験により、DynaSolverは幅広い学習CFDサロゲートの中で最高のフルロールアウト精度を達成し、ロールアウトが進行するにつれて利点が増大し、自動回帰誤差の蓄積が著しく減少することが示された。 プロジェクトページ: https://made-gpt.github.io/DynaSolver-ProjectPage.com

関連論文リスト

• A Pre-trained Variational Autoencoder for Gyrokinetic Plasma Turbulence Surrogate Modeling [6.479284662203278]
  乱流場の効率的な空間圧縮のための代理モデリングフレームワークであるPreVAE-Turbを提案する。 2次元長谷川-若谷流速波乱流の枠組みを検証した。 4チャネル適応は静電電位、密度、平行/垂直温度の変動を同時に予測する。
  論文  参考訳（メタデータ） (2026-09-29T19:29:21Z)
• 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)
• Structured Neural SDEs for Functional Calibration [1.2107297090229683]
  構造化線形層から構築されたニューラルSDEモデルのファミリーであるSLiSDEを紹介する。 層レベルでパラレル・イン・タイム・シミュレーションを行い, ゲート・イン・フロー・スタックリングにより表現性を回復する。 機能キャリブレーションベンチマークの実験では、構造化されたモデルは完全な神経性SDEベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-09-28T10:25:03Z)
• RopeDreamer: A Kinematic Recurrent State Space Model for Dynamics of Flexible Deformable Linear Objects [12.045392054359551]
  逐次状態空間モデルと四元系キネマティックチェイン表現を組み合わせた潜在動的フレームワークを提案する。 我々は,自己切断を含む複雑なピック・アンド・プレース・トラジェクトリの大規模シミュレーションデータセットに対するアプローチを評価した。 提案手法は,50ステップの水平線上での開ループ予測誤差を40.52%削減できることを示す。
  論文  参考訳（メタデータ） (2026-04-30T17:47:44Z)
• LiquidTAD: Efficient Temporal Action Detection via Parallel Liquid-Inspired Temporal Relaxation [2.3837169660687123]
  LiquidTADは、液体神経力学以前の指数緩和を並列時間演算子に蒸留するフレームワークである。 LiquidTADは、モデルフットプリントを大幅に低下させながら、強力なベースラインと競合する精度を達成する。
  論文  参考訳（メタデータ） (2026-04-20T13:48:17Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-12T14:36:53Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
  本稿では, 簡易な実装, 効率的, 堅牢な性能で, センサとモデル識別の問題を共同で解決する手法を提案する。 SINDy-SHREDはGated Recurrent Unitsを使用してスパースセンサー計測と浅いネットワークデコーダをモデル化し、潜在状態空間からフルタイムフィールドを再構築する。 本研究では, 乱流, 海面温度の実環境センサ計測, 直接ビデオデータなどのPDEデータに関する系統的研究を行った。
  論文  参考訳（メタデータ） (2025-01-23T02:18:13Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)

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。