背景と研究動機 物理学において、流体の動きを理解することは、我々の環境を理解し、そこにどのように相互作用するかを理解するために不可欠です。しかし、従来の流体シミュレーション方法は高い計算要求のため、実際の応用において限界があります。近年、物理学駆動のニューラルネットワークは、複雑な自然現象を理解するための有望なデータ駆動型方法と見なされています。本論文の著者はスムースパーティクルハイドロダイナミクス（SPH）法に触発され、流体シミュレーションにおける全体制御と物理法則の制約との間のバランスの問題を解決するため、注意機構に基づく二重パイプラインネットワーク構造「DualFluidNet」を提案しました。 論文情報の出典 本論文は西安交通大学ソフトウェア工学学院のYu Chen、Shuai Zh...

現在、乱流中の流体によって運ばれる微粒子の統計的および幾何学的性質の研究には大きな課題があります。過去30年にわたり、理論、数値シミュレーション、実験の分野で優れた努力が払われてきましたが、乱流微粒子軌跡の統計と位相的特性を実際に再現できるモデルは未だに不足しています。本研究では、最新の拡散モデル(diffusion model)に基づく機械学習手法を提案し、三次元の高レイノルズ数乱流中の単一微粒子軌跡を生成することで、直接数値シミュレーションや実験によって信頼できるラグランジュデータを取得する必要性を回避しました。 論文情報: 本論文の著者はローマ大学など複数の機関に所属しており、2024年4月の「Nature Machine Intelligence」誌に掲載されました。 研究方法: (...