論文の概要: TB-Transolver: Parallelized and Coherent Long-Horizon Rollouts via Temporal Bundling for Time-Dependent PDEs

• arxiv url: http://arxiv.org/abs/2611.04063v1
• Date: Mon, 02 Nov 2026 23:07:46 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:53:10.606173
• Title: TB-Transolver: Parallelized and Coherent Long-Horizon Rollouts via Temporal Bundling for Time-Dependent PDEs
• Title（参考訳）: TB-Transolver:時間依存PDEのための時間結合による並列・コヒーレント長軸ロールアウト
• Abstract要約: TB-Transolverは時間依存PDEのためにTransolverをスケールする時間的結合に基づく効率的なフレームワークである。 本研究では, 可塑性, 流体力学, 反応拡散, 大域気象予報という, 物理的に異なる4つの領域におけるTB-Transolverの計算効率を実証した。
• 参考スコア（独自算出の注目度）: 0.34376560669160394
• License:
• Abstract: Transolver has recently gained widespread adoption for solving diverse physical problems on unstructured geometric meshes by leveraging its Physics-Attention mechanism, which seamlessly extends standard softmax attention to handle physical domains at scale. For time-dependent problems, existing literature relies on time-conditioned or autoregressive rollouts to preserve temporal causality while retaining Physics-Attention as the spatial backbone. However, a fundamental limitation of this formulation is its sequential execution model, wherein computational costs scale linearly with the temporal horizon, rendering standard Transolver inefficient for transient problems despite its exceptional spatial efficacy. This bottleneck has historically hindered its broader application in time-dependent physical modeling. To address this limitation, we introduce TB-Transolver (also referred to as Temporally Bundled Transolver), an efficient framework built on temporal bundling that scales Transolver for time-dependent PDEs. Furthermore, we propose \emph{spatiotemporal coherence} (${\rm C(K)}$) as a general metric to systematically quantify snapshot correlation within a temporal bundle, enabling the \emph{a priori} selection of optimal bundle widths using training data alone, thereby avoiding expensive grid searches. We demonstrate the computational efficacy of TB-Transolver across four physically distinct domains, namely, plasticity, fluid dynamics, reaction-diffusion, and global weather forecasting; achieving training speedups of up to $29\times$ over conventional autoregressive and time-conditioned baselines. Finally, these computational gains are further amplified through distributed multi-node and multi-GPU parallelism, yielding aggregated speedups of up to $45.6\times$ at optimal bundle widths for systems exhibiting high spatiotemporal coherence compared to single-GPU implementations.
• Abstract（参考訳）: Transolverは最近、物理領域を大規模に扱うために標準ソフトマックスの注意をシームレスに拡張する物理-注意機構を活用することで、非構造化幾何メッシュ上の多様な物理的問題を解決するために広く採用されている。 時間依存の問題に対しては、既存の文献は時相因果関係を保ちながら物理を空間バックボーンとして保持するために、時間条件または自己回帰的なロールアウトに依存している。 しかし、この定式化の基本的な制限は、その逐次実行モデルであり、計算コストは時間的水平線と線形にスケールし、例外的な空間効果にもかかわらず、標準のTransolver非効率を過渡問題に適用する。 このボトルネックは歴史的に時間依存物理モデリングにおける幅広い応用を妨げてきた。 この制限に対処するため,TB-Transolver(Temporally Bundled Transolverとも呼ばれる)を導入した。 さらに、時間束内のスナップショット相関を体系的に定量化するための一般的な指標として、トレーニングデータのみを用いて最適なバンドル幅を選択することで、高価なグリッド探索を回避できる「emph{spatiotemporal coherence}」({\rm C(K)}$)を提案する。 本研究では, 可塑性, 流体力学, 反応拡散, グローバル気象予報の4分野にわたるTB-Transolverの計算効率を実証し, 従来の自己回帰的・時間条件ベースラインよりも最大29\times$のトレーニングスピードアップを実現した。 最後に、これらの計算ゲインは分散マルチノードとマルチGPU並列性によってさらに増幅され、単一GPU実装と比較して時空間コヒーレンスの高いシステムに対して、最適なバンドル幅で45.6\times$の集約スピードアップが得られる。

関連論文リスト

• ANTIC: Adaptive Neural Temporal In-situ Compressor [19.44325026786871]
  大規模および高次元偏微分方程式(PDE)はペタバイトからエクサバイトスケールに到達した。 AntiCは、時間分解能と空間成分を組み合わせた圧縮を可能にし、時間分解能全体のディスク上の明示的な保存の必要性を効果的に軽減する。 実験により、数桁のストレージの削減が物理精度にどのように関係しているかが示された。
  論文  参考訳（メタデータ） (2026-04-10T17:58:16Z)
• Physics-integrated neural differentiable modeling for immersed boundary systems [33.49956187870957]
  本研究では,入力境界流の予測のための物理積分微分可能なフレームワークを開発することにより,既存のニューラルPDE解法を拡張した。 フレームワークの重要な設計側面は、物理的原則をエンドツーエンドの差別化可能なアーキテクチャに構造的に統合することである。 提案手法は, 流動場忠実度および長水平安定性において, 純粋にデータ駆動, 物理ロスの制約, 粗いグリッドの数値ベースラインより一貫して優れる。
  論文  参考訳（メタデータ） (2026-03-17T09:08:04Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Real-Time Iteration Scheme for Dynamical Mean-Field Theory: A Framework for Near-Term Quantum Simulation [0.0]
  動的平均場理論(DMFT)自己整合方程式を解くための時間領域反復方式を提案する。 実時間や周波数空間で動作する従来のDMFT手法とは異なり,本手法は実時間量で直接動作する。
  論文  参考訳（メタデータ） (2026-01-27T18:59:00Z)
• A Fast Semidefinite Convex Relaxation for Optimal Control Problems With Spatio-Temporal Constraints [22.24436694865408]
  自律エージェントの最適制御問題(OC)の解決は、自動運転車から自動運転車まで、幅広いアプリケーションにおいて不可欠である。 ほとんどのOCPは、イベントタイミングと軌道とのカップリングのため、非ポイントである。 本稿では,水平線を時間制約付きセグメントに分割する時間スケーリング直接多重撮影方式を提案する。
  論文  参考訳（メタデータ） (2026-01-06T14:38:19Z)
• CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
  本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。 提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2025-08-15T07:49:22Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)

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。