LLM4Fluid: 流体力学のための汎用的なニューラルソルバーとしてのLLM

TL;DR（結論）

本研究では、大規模言語モデル（LLM）を流体力学の汎用的なニューラルソルバーとして活用する「LLM4Fluid」という革新的な時空間予測フレームワークを提案しました。このシステムは、物理情報を考慮した解きほぐしメカニズムによって高次元の流場をコンパクトで直交性の高い潜在空間に圧縮し、事前学習済みLLMを時間プロセッサとして用いることで、再学習なしで未知の流動条件に対応できる高い汎用性を実現しています。さらに、テキストプロンプトを位置エンコーディングとして統合する独自のモダリティ整合戦略を導入することで、セマンティックな情報と物理データのギャップを埋め、長期的な予測における安定性と最先端の精度を達成することに成功しました。

なぜこの問題か

流体力学は、航空宇宙、海洋工学、エネルギー産業、そして多岐にわたる科学・工学アプリケーションにおいて極めて重要な基礎を形成しています。しかし、流体の運動は本質的に高次元かつ非線形であり、その時空間的な挙動を正確に予測することは、特に乱流のような複雑な現象において非常に困難な課題です。従来の計算流体力学（CFD）ソルバーは、数値的な反復計算を通じて時空間の流場をシミュレートしますが、これには膨大な計算コストと収束の遅さという問題がつきまといます。この計算負荷の高さは、効率的な設計やリアルタイムのシミュレーションが必要な現場において、大きなボトルネックとなってきました。 近年、深層学習が流体力学モデリングの新しいパラダイムとして注目を集めており、多様なCFDタスクにおいて従来の数値計算手法を凌駕する効率性と精度を示しています。しかし、複雑な流場の時空間モデリングには依然として「次元の呪い」という大きな壁が存在します。既存の低次元化モデル（ROM）はこの問題を解決するために、流場を低次元の潜在空間にマッピングしようとしますが、従来のROMは線形基底の仮定に基づいているため、高度に非線形な物理システムの表現には限界がありました。…

核心：何を提案したのか

本論文では、これらの課題を解決するために、大規模言語モデル（LLM）の強力なシーケンス推論能力と汎用性を流体力学の分野に持ち込んだ「LLM4Fluid」を提案しています。このフレームワークの核心は、LLMを単なるテキスト処理ツールとしてではなく、流体の動的な変化を予測するための「汎用的なニューラルソルバー」として再定義した点にあります。 LLM4Fluidは、2つの主要な技術的柱によって構成されています。第一の柱は、物理情報を考慮した解きほぐしメカニズム（Physics-informed disentanglement mechanism）を備えた低次元化モデリングです。これは、高次元の流場データを圧縮する際、潜在空間の各次元が統計的に独立し、かつ物理的に解釈可能なモードを表すように強制する仕組みです。…

続きはログイン/プランで閲覧できます。