論文の概要: SUMNO: Spatially Unrolled Multigrid Neural Operator for Fluid Flow Surrogates
- arxiv url: http://arxiv.org/abs/2611.16341v1
- Date: Thu, 12 Nov 2026 06:02:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.373341
- Title: SUMNO: Spatially Unrolled Multigrid Neural Operator for Fluid Flow Surrogates
- Title(参考訳): SUMNO:流体サーロゲートのための空間アンロール型マルチグリッドニューラル演算子
- Abstract要約: データ駆動サロゲートモデリングは、計算流体力学を加速する強力なパラダイムとして登場した。
これらの設計に基づいて構築された現代のサロゲートは、数値計算器のコストのごく一部で競争精度を達成している。
本研究は,VサイクルをフィードフォワードU字型ネットワークに展開する正則格子上の流体流動場のための多グリッドニューラル演算子であるSUMNOを紹介する。
- 参考スコア(独自算出の注目度): 0.2624902795082451
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data-driven surrogate modeling has emerged as a powerful paradigm for accelerating computational fluid dynamics, and hierarchical U-shaped networks, which resemble the structure of classical Geometric Multigrid (GMG) methods, have become prevalent designs. Modern surrogates built on these designs achieve competitive accuracy at a fraction of the cost of numerical solvers; however, accurate prediction of complex flows remains challenging, and no existing architecture leads across them. In such networks, the multigrid analogy mainly concerns the multi-resolution topology, while their components largely follow common vision practice. To address this, this study introduces SUMNO, a multigrid neural operator for fluid flow fields on regular grids that spatially unrolls a V-cycle into a feed-forward U-shaped network. Parameter-free down- and upsampling stand in for restriction and prolongation, and additive skip connections for coarse-grid correction, with normalization-free transfer and skip pathways. Within this macro-architecture, convolutions are used at the fine and intermediate resolutions and shifted-window attention at the coarsest, whose window partitioning is generalized to handle periodicity independently per axis. Evaluated on unseen test configurations across four unsteady and steady flow benchmarks against five representative baselines, SUMNO is best in 5 of 7 settings and ranks second in the remaining two. It reduces the 10-step rollout MSE by about 30% relative to the strongest baseline, and outperforms three baselines with over 130 million parameters using 9.4 million parameters.
- Abstract(参考訳): データ駆動サロゲートモデリングは計算流体力学を加速する強力なパラダイムとして登場し、従来の幾何学的マルチグリッド(GMG)法に類似した階層的なU字型ネットワークが主流となっている。
これらの設計に基づいて構築された現代のサロゲートは、数値計算器のコストのごく一部で競争精度を達成しているが、複雑な流れの正確な予測は依然として困難であり、既存のアーキテクチャはそれらを先導するものではない。
このようなネットワークでは、マルチグリッドのアナロジーは主にマルチレゾリューショントポロジーに関係し、それらのコンポーネントは一般的なビジョンの実践に従っている。
そこで本研究では,VサイクルをフィードフォワードU字型ネットワークに空間的にアンロールする,正則格子上の流体流動場のためのマルチグリッドニューラル演算子であるSUMNOを紹介する。
パラメータフリーのダウンサンプリングとアップサンプリングは制限と延長のために立ち、粗いグリッド補正のための追加のスキップ接続は正規化のない転送とスキップ経路で成り立っている。
このマクロ構造の中では、畳み込みは細部および中間の解像度で使用され、窓分割が軸ごとに独立に周期性を扱うように一般化される粗い風の注意がシフトする。
SUMNOは7つの設定のうち5つでベストであり、残りの2つでは2位である。
10ステップのロールアウトMSEを最強のベースラインと比較して約30%削減し、940万パラメータを使用して3つのベースラインを1億3000万パラメータで上回る。
関連論文リスト
- Spectral-Embedded Operator Learning for Three-Phase Interfacial Flow: A Ternary Cahn-Hilliard-Navier-Stokes Benchmark [0.6008132390640294]
本稿では,多チャンネルインタフェースを優先したターゲットに対して,トランク座標の表現が重要であるかどうかを検討するために,三相界面フローベンチマークを提案する。
9次元のパラメータ空間にまたがる 1,024 Sobol-sampled シミュレーションから,物理パラメータから5チャネルの時空場へのマッピングを学習する。
以上の結果から,チェビシェフ表現はこの3相流の強い非周期壁正規構造と時間構造に対して特に有効であることが示唆された。
論文 参考訳(メタデータ) (2026-08-29T05:45:42Z) - Multimodal Molecular Representation Learning with Graph Neural Networks, Deep & Cross Networks, and SMILES Embeddings [2.9593641578445258]
3次元空間幾何学(SchNet)、離散トポロジカル文法(SMILES via ChemBERTa)、明示的なマクロ的物理化学的記述子(Deep & Cross Network)の3つのモードを合成するパラメータ効率のよいTri-Branch Modular Fusion Networkを導入する。
100万未満のパラメータで操作すると、このアーキテクチャは決定的に準化学的精度の閾値を超え、厳密に制御された幾何学的基準に対して20.6%の削減をもたらす。
論文 参考訳(メタデータ) (2026-07-07T01:47:44Z) - Acceleration of an algebraic multigrid pressure solver using graph neural networks [0.0]
圧力-ポアソン方程式の解法は、圧縮不能な非構造的解法において主要な計算ボトルネックである。
この研究は、改良された畳み込み同型ネットワーク(GCIN)を用いたデータ駆動代数的多重グリッド(AMG)スムーズ化を導入している。
我々のフレームワークは、与えられた許容度に必要なVサイクルの数を減らし、大幅な性能向上を示す。
論文 参考訳(メタデータ) (2026-06-17T16:27:28Z) - AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction [0.0]
AeTHERONは共有高次元潜在空間における非線形流体-構造結合を学習する。
AeTHERONは、大規模渦トポロジーとウェイク構造を定性的忠実度で捉えている。
推論には1つのGPUで1時間に1ミリ秒かかるが、同等のDNS計算では数時間かかる。
論文 参考訳(メタデータ) (2026-04-15T00:31:20Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳(メタデータ) (2026-03-12T18:19:21Z) - Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。
合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善
DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文 参考訳(メタデータ) (2026-02-03T23:38:05Z) - Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。
VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。
合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文 参考訳(メタデータ) (2026-01-30T03:59:38Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳(メタデータ) (2024-05-22T17:23:15Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳(メタデータ) (2023-09-12T13:03:47Z) - Tensor network reduced order models for wall-bounded flows [0.0]
縮小順序モデルを開発するために,広く適用可能なテンソルネットワークベースのフレームワークを提案する。
二つの空間次元における非圧縮性ナビエ・ストークス方程式と蓋駆動キャビティを考える。
論文 参考訳(メタデータ) (2023-03-06T10:33:00Z) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳(メタデータ) (2020-02-20T15:43:02Z)
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。