arXiv News

すべての人に一次情報を

サイト

Aboutプライバシーポリシー利用規約

© 2026 arXiv News

流れ再構築ベンチマーク　クラシック手法は一部の疎センシングシナリオで優位だが、他の領域では学習済み手法が優れる。 | arXiv News

arXiv News

英語日本語

言語を切り替え

英語日本語
アカウントを読み込み中…

すべての人に一次情報を

トップページに戻る
物理学日本語公開済み

流れ再構築ベンチマーク　クラシック手法は一部の疎センシングシナリオで優位だが、他の領域では学習済み手法が優れる。

2026年11月6日arXiv: 2611.06912v1

FlowReconBenchは、10種類の機械学習手法と5種類の従来手法を、2次元のレイノルズ数横断的円柱尾流、2次元のコルモゴロフ乱流、そして3次元のJHTDBの等方乱流という3つの疎センシング領域で評価した。ベンチマークは漏れ制御分割とランダムセンサ抽出を採用し、各手法をチャネル別誤差、エンブレム散布、校正、スペクトル、計算コストでスコアリングした。

テーブル1：三つの疎センシングレギーム（2D円柱尾流、2Dコルモゴロフ乱流、3DJHTDB等方乱流）のデータセット、センサー数、チャネル数、分割方式、主要課題を示す
RegimeDatasetPointsChannelsSplitPrimary challenge
2D laminar periodicCylinder wake (new)2.4×104ux,uy,pcross-ReLow-rank observability
2D chaoticKolmogorov[65]6.6×104
ω
cross-traj.
Multiscale reconstruction
3D chaoticJHTDB isotropic[35]1.95×106Ux,Uy,Uz,pspatialUnobserved channels
Table 1. Table 1 shows the three FlowReconBench regimes—2 D laminar cylinder wake, 2 D Kolmogorov turbulence, and 3 D JHTDB isotropic turbulence—along with sensor counts, channel numbers, split type, and primary challenges, illustrating that the benchmark evaluates ten learned and five classical methods under controlled leakage, random sensor draws, and multiple performance metrics.Tricard, Nicolas, Wang, Linzheng, Chen, Jason, Deng, Sili · arXiv:2611.06912v1 · Table 1: · CC BY 4.0

円柱尾流では、線形確率的推定（LSE）が総合相対L2誤差0.043で最も精度が高く、次いで欠損PODが0.057だった。対照的に、生成モデルSiT‑pointは0.073、逆距離重み法(IDW)は0.712と高誤差であった。これは低ランク・密集センサ環境でクラシック手法が有利であることを示している。

テーブル3：1％センサで測定した円柱尾流の各チャネルの相対L2誤差、分散誤差比、90％カバレッジをまとめた表。LSEとgappyPODが最も低い誤差を示し、SiT‑pointは過小分散（0.51）と不足するカバレッジ（40％）を示す
Rel. L2
Methodagg.Re=80Re=250uxuypCRPSSpr/ErrCov.90s/field
SiT-point (N=8)0.0730.0380.1080.0570.1050.0570.0340.510.400.50
Senseiver0.1340.1180.1500.1150.1920.0950.082——0.06
MLP-RBF0.3180.2600.3760.2200.5360.1970.165——0.07
Geo-FNO0.0790.0580.1000.0630.1090.0640.045——0.26
LSE0.0430.0360.0500.0320.0580.0390.022———
Gappy POD (r=20)0.0570.0450.0690.0430.0770.0500.029———
IDW (k=8)0.7120.6740.7510.5220.6151.0000.441———
Nearest neighbor0.7130.6730.7520.5260.6121.0000.423———
Training mean1.0001.0001.0001.0001.0001.0000.664———
Table 3. Table 3 summarizes per‑channel and aggregate relative‑L² errors, spread‑error ratios, and 90 % coverage for the cylinder wake at 1 % sensing of ux and uy. The lowest aggregate errors (0.043 LSE, 0.057 gappy POD) contrast with the higher errors of the learned generative SiT‑point (0.073) and classical IDW (0.712).\nThe spread‑error ratio for SiT‑point (0.51) indicates under‑dispersion and the 40 % coverage shows poor calibration.Tricard, Nicolas, Wang, Linzheng, Chen, Jason, Deng, Sili · arXiv:2611.06912v1 · Table 3: · CC BY 4.0

コルモゴロフ乱流では、生成モデルS3GMが平均相対L2誤差0.273で最良であり、SiT‑pointは0.293、決定論的FNOは0.380であった。

3次元等方乱流では、潜在フローマッチング（Latent FM）が総合相対L2誤差0.465で学習型FNO‑3D‑FM（0.571）より、SiT‑point（0.555）より優れていた。

しかし、SiT‑pointは誤差に対する散布比0.51と過小分散で、90 %信頼区間のカバレッジは40 %しか達成できず、Latent FMは微小スケール構造の過度平滑化により、ダイナミック領域でDNSエネルギーの21 %しか保持していないことが報告されている。最後に、IDWや最近傍補間といった格子ベースの補間器は、センサ間隔が場の相関長を上回ると誤差が2.2倍に増大する等の欠点も示した。

総じて、FlowReconBenchは疎センシングの設定、流れのダイナミクス、精度と不確実性のトレードオフを考慮し、条件に応じた最適な再構築手法を選択する指針を提供している。

元論文

FlowReconBench: Accuracy, calibration and cost of learned and classical flow reconstruction from sparse sensors

物理学機械学習
arXiv で見る