論文の概要: ISLA: A Coordinate-Free, Measure-Weighted Transformer for Boundary-Driven PDEs
- arxiv url: http://arxiv.org/abs/2611.17141v1
- Date: Thu, 12 Nov 2026 17:30:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.569753
- Title: ISLA: A Coordinate-Free, Measure-Weighted Transformer for Boundary-Driven PDEs
- Title(参考訳): ISLA: 境界駆動型PDEのためのコーディネートフリーで軽量な変換器
- Abstract要約: ISLAは、安定した境界駆動PDEのためのスライスアテンション変換器である。
AeroZooでは、形状、大きさ、速度、境界条件が異なり、平均的な基準スケールの速度と圧力誤差は、どのベースラインよりも少なくとも3.1倍と3.3倍低い。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A foundational principle of physics is that all coordinate systems are equally valid: the behavior of a PDE-governed system does not depend on the origin or orientation of the frame, nor on the units or mesh used to write it down, and neither should a surrogate model. Yet the neural surrogates with the lowest errors on today's aerodynamics benchmarks lack these invariances and fail under simple transformations of the same problem: for models trained on PDEs of cars in one pose (i.e., translation and rotation) and from one mesher, rotating the full PDE raises the surface-pressure error from 4% to more than 100%, and re-sampling its boundary raises it to about 30%. We introduce ISLA (Invariant Slice Attention), a slice-attention transformer for steady, boundary-driven PDEs in which no learned operation receives a coordinate and every sum over the boundary is a quadrature. Positions enter only as distances and relative angles to learned slice anchors, lengths are measured in a unit computed from the boundary, and interior points query the boundary through a tree-accelerated learned kernel without influencing one another. With every boundary cell a token and an exact boundary read, ISLA is equivariant to rigid motions and reflections, invariant to the units of its declared data, and consistent under mesh refinement, while at every setting each query is independent of all other queries. On AeroZoo, 2,816 flows that vary in shape, size, speed, and boundary conditions, its mean reference-scaled velocity and pressure errors are at least 3.1 and 3.3 times lower than any baseline's. On AirfRANS its errors are second only to those of a boundary-integral model (GLOBE) and at least 1.6 times lower than those of Transolver and GeoTransolver.
- Abstract(参考訳): 物理の基本原理は、全ての座標系が等しく有効である: PDE-governed 系の振舞いは、フレームの起源や向きに依存しず、それを書き下すのに使用される単位やメッシュにも依存せず、代理モデルにも依存しない。
しかし、今日の空気力学のベンチマークで最も低い誤差を持つ神経サロゲートは、これらの不変性を欠き、同じ問題の単純な変換の下で失敗する: 1つのポーズ(すなわち、翻訳と回転)でPDEで訓練されたモデルと1つのメッシュでトレーニングされたモデルでは、完全なPDEを回転させることで、表面圧誤差が4%から100%以上まで上昇し、境界を再サンプリングすると約30%に上昇する。
ISLA (Invariant Slice Attention) は, 安定した境界駆動PDEのためのスライス・アテンション・トランスフォーマーであり, 学習操作が座標を受信せず, 境界上の全ての和が二次的である。
位置は、学習されたスライスアンカーとの距離と相対角度としてのみ入力され、境界から計算された単位で長さが測定され、内部ポイントは、互いに影響を与えずに、学習されたカーネルを介して境界をクエリする。
すべての境界セルがトークンであり、正確な境界を読み取ると、ISLAは厳密な動きと反射に等しく、宣言されたデータの単位に不変であり、メッシュの洗練の下で一貫したものであり、各クエリは他の全てのクエリとは独立である。
AeroZooでは、形状、大きさ、速度、境界条件が異なる2,816の流路が、基準スケールの速度と圧力誤差は、どのベースラインよりも少なくとも3.1倍と3.3倍低い。
AirfRANSでは、誤差は境界積分モデル(GLOBE)のエラーに次いで第2位であり、TransolverやGeoTransolverのエラーよりも少なくとも1.6倍低い。
関連論文リスト
- Neural Operator Splitting for Fluid Dynamics in Complex Geometry [68.17331685296394]
本研究では流体力学を学習するフレームワークであるNeural Operator Splittingを提案する。
モノリシックに全ステップの進化を学ぶ代わりに、各ステップを物理的に解釈可能なステップに分解します。
本モデルでは,1つのフルステップニューラル演算子と比較して,平均相対的なL2$ロールアウト誤差を2Dで68%,3Dで40%削減することを示した。
論文 参考訳(メタデータ) (2026-10-20T05:37:17Z) - Certified neural approximations for parabolic obstacle problems [0.0]
残留訓練されたニューラルサロゲートはエラー保証を持たない。
我々は1次状態--flux--multiplierにおけるパラボラ障害問題の神経近似に対する誤差境界を導出する。
論文 参考訳(メタデータ) (2026-10-16T20:23:13Z) - JtT: Rethinking Point Trajectory Diffusion for Diverse and Rigid Motion from an Image [67.09340259579761]
単体画像からの剛体運動の予測について検討した。
我々のモデルであるJtTは座標空間で直接動作する単純な拡散変換器である。
モデルランキングは,モデルのサイズ,メートル法,停止時間にどのように依存するかを示し,より厳密なチェックポイント平均評価プロトコルを採用する。
論文 参考訳(メタデータ) (2026-10-12T11:13:37Z) - BAT-NO: A Boundary-Condition-Aware Transformer Neural Operator for Crashworthiness Prediction of Vehicle Components [9.368489153302326]
本研究では、過渡変位場の自己回帰予測のための境界条件対応変圧器ニューラル演算子(BAT-NO)を提案する。
Bピラーシミュレーションフレームワークは、幾何、衝突位置、速度のバリエーションの一般化を評価し、剛性をサポートする。
BAT-NOは, 評価ベースラインのうち, 最終段階の平均ユークリッド変位誤差が最低となる。
論文 参考訳(メタデータ) (2026-10-02T17:06:21Z) - Transolver-$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) - GAIA: Geometry-Adaptive Operator Learning for Forward and Inverse Problems [17.161755403211252]
本稿では,領域境界と内界分布を幾何学トークンに符号化する演算子学習モデルであるGeometry-Adaptive Integral Autoencoder (GAIA)を紹介する。
これにより、前方(BVPを含む)と任意の領域上の逆問題に対する単一のアーキテクチャが得られる。
我々はGAIAを7つの2Dおよび3Dベンチマークで評価し、そのうち4つは逆問題とBVPに対する新しいまたは実質的に拡張されたベンチマークである。
論文 参考訳(メタデータ) (2026-07-01T16:14:22Z) - Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。
独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。
Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
論文 参考訳(メタデータ) (2026-06-11T17:48:38Z) - GLOBE: Accurate and Generalizable PDE Surrogates using Domain-Inspired Architectures and Equivariances [0.0]
GLOBEは、学習可能なグリーン関数のようなカーネルの重ね合わせとして、境界面からターゲットへ評価されるソリューションである。
AirFRANSでは、GLOBEは相当な精度向上を実現している。
結果は、厳密な物理学とドメインにインスパイアされた帰納的バイアスが、精度、一般化可能性、実用性に大きな利益をもたらすことを示した。
論文 参考訳(メタデータ) (2025-11-19T20:23:51Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳(メタデータ) (2025-11-16T20:14:28Z) - Zero Pixel Directional Boundary by Vector Transform [77.63061686394038]
我々は境界を1次元曲面として再解釈し、1対1のベクトル変換関数を定式化し、クラス不均衡問題を完全に回避する境界予測の訓練を可能にする。
我々の問題定式化は、境界の方向推定だけでなく、よりリッチなコンテキスト情報もたらし、もし望めば、訓練時にもゼロピクセルの薄い境界が利用可能となる。
論文 参考訳(メタデータ) (2022-03-16T17:55:31Z)
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。