論文の概要: Building Flexible Machine Learning Models for Scientific Computing at Scale

• arxiv url: http://arxiv.org/abs/2402.16014v2
• Date: Sun, 13 Oct 2024 14:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 03:07:23.348386
• Title: Building Flexible Machine Learning Models for Scientific Computing at Scale
• Title（参考訳）: 大規模科学コンピューティングのためのフレキシブル機械学習モデルの構築
• Authors: Tianyu Chen, Haoyi Zhou, Ying Li, Hao Wang, Chonghan Gao, Rongye Shi, Shanghang Zhang, Jianxin Li,
• Abstract要約: OmniArchは,物理アライメントによるマルチスケール・マルチ物理科学計算問題の解決を目的とした,最初のプロトタイプである。 PDEBench上で1D-2D-3Dの統合事前トレーニングを行い、1D, 2D, 3D PDEの新たなパフォーマンスベンチマークを設定するだけでなく、コンテキスト内およびゼロショット学習アプローチによる新しい物理への例外的な適応性を示す。
• 参考スコア（独自算出の注目度）: 35.41293100957156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models have revolutionized language modeling, while whether this success is replicated in scientific computing remains unexplored. We present OmniArch, the first prototype aiming at solving multi-scale and multi-physics scientific computing problems with physical alignment. We addressed all three challenges with one unified architecture. Its pre-training stage contains a Fourier Encoder-decoder fading out the disharmony across separated dimensions and a Transformer backbone integrating quantities through temporal dynamics, and the novel PDE-Aligner performs physics-informed fine-tuning under flexible conditions. As far as we know, we first conduct 1D-2D-3D united pre-training on the PDEBench, and it sets not only new performance benchmarks for 1D, 2D, and 3D PDEs but also demonstrates exceptional adaptability to new physics via in-context and zero-shot learning approaches, which supports realistic engineering applications and foresight physics discovery.
• Abstract（参考訳）: 基礎モデルは言語モデリングに革命をもたらしたが、科学計算でこの成功が再現されるかどうかは未解明のままである。 OmniArchは,物理アライメントによるマルチスケール・マルチ物理科学計算問題の解決を目的とした,最初のプロトタイプである。 私たちは3つの課題に1つの統一アーキテクチャで対処しました。 事前訓練段階には、分離された次元にわたって不整合を消失させるフーリエエンコーダ・デコーダと、時間力学を通して量を統合するトランスフォーマーバックボーンが含まれており、新しいPDE-Alignerは柔軟な条件下で物理インフォームド微調整を行う。 PDEBench上で1D-2D-3Dの統合事前トレーニングを行い、1D, 2D, 3D PDEの新たなパフォーマンスベンチマークを設定するだけでなく、コンテキスト内およびゼロショット学習アプローチによる新しい物理への例外的な適応性を実証し、現実的な工学的応用とフォレスト物理発見をサポートする。

関連論文リスト

• PhysX-Anything: Simulation-Ready Physical 3D Assets from Single Image [67.76547268461411]
  PhysX-Anythingは最初のシミュレーション可能な物理3D生成フレームワークである。 高品質なsim-ready 3Dアセットを明示的な幾何学、調音、物理的特性で生成する。 トークンの数を193倍に減らし、標準VLMトークン予算内で明示的な幾何学的学習を可能にする。
  論文  参考訳（メタデータ） (2025-11-17T17:59:53Z)
• Seed3D 1.0: From Images to High-Fidelity Simulation-Ready 3D Assets [63.67760219308476]
  シミュレーション可能な3Dアセットを単一画像から生成する基礎モデルであるSeed3D 1.0を提案する。 既存の3D生成モデルとは異なり、我々のシステムは正確な幾何学、よく整合したテクスチャ、リアルな物理的基盤を持つ資産を生産する。
  論文  参考訳（メタデータ） (2025-10-22T18:16:32Z)
• Towards a Physics Foundation Model [2.109902626434734]
  シミュレーションデータの1.8TBをトレーニングした一般物理変換器(GPhyT)について述べる。 GPhyTは複数の物理領域にまたがる優れた性能を実現し、特殊アーキテクチャを最大29倍の性能で上回る。 単一のモデルがデータだけで一般的な物理原理を学習できることを確立することで、この研究は普遍的な物理基礎モデルへの道を開く。
  論文  参考訳（メタデータ） (2025-09-17T08:19:57Z)
• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• UniPre3D: Unified Pre-training of 3D Point Cloud Models with Cross-Modal Gaussian Splatting [64.31900521467362]
  既存の事前学習方法は、オブジェクトレベルとシーンレベルの両方の点群に対して等しく有効である。 UniPre3Dは,任意のスケールの点群やアーキテクチャの3Dモデルに対してシームレスに適用可能な,最初の統合事前学習手法である。
  論文  参考訳（メタデータ） (2025-06-11T17:23:21Z)
• FinePhys: Fine-grained Human Action Generation by Explicitly Incorporating Physical Laws for Effective Skeletal Guidance [6.0892117964531955]
  FinePhysは、物理を組み込んだ人間のアクション生成フレームワークで、効果的な骨格指導を得る。 FinePhysはまず、オンラインのやり方で2Dのポーズを推定し、2Dから3Dへのリフトを、コンテキスト内学習で行う。 純粋にデータ駆動型3次元ポーズの不安定性と限定的な解釈性を軽減するため,物理に基づく動き再推定モジュールを導入する。
  論文  参考訳（メタデータ） (2025-05-19T17:58:11Z)
• DEL: Discrete Element Learner for Learning 3D Particle Dynamics with Neural Rendering [10.456618054473177]
  逆レンダリングにより2次元画像から3次元ダイナミクスを学習する方法を示す。 学習可能なグラフカーネルを古典的な離散要素分析フレームワークに組み込む。 本手法は, 部分的な2次元観察から, 各種材料の力学を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-10-11T16:57:02Z)
• Text2PDE: Latent Diffusion Models for Accessible Physics Simulation [7.16525545814044]
  物理シミュレーションに潜時拡散モデルを適用する方法をいくつか紹介する。 提案手法は、現在のニューラルPDEソルバと、精度と効率の両面で競合することを示す。 スケーラブルで正確で使用可能な物理シミュレータを導入することで、ニューラルPDEソルバを実用化に近づけたいと思っています。
  論文  参考訳（メタデータ） (2024-10-02T01:09:47Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• PonderV2: Pave the Way for 3D Foundation Model with A Universal Pre-training Paradigm [114.47216525866435]
  本稿では,効率的な3D表現の獲得を容易にするために,新しいユニバーサル3D事前学習フレームワークを提案する。 PonderV2は、11の室内および屋外ベンチマークで最先端のパフォーマンスを達成したことで、その効果が示唆された。
  論文  参考訳（メタデータ） (2023-10-12T17:59:57Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Deep Physics Corrector: A physics enhanced deep learning architecture for solving stochastic differential equations [0.0]
  微分方程式(SDE)によって制御される物理系に対する新しいグレーボックスモデリングアルゴリズムを提案する。 提案手法はDeep Physics Corrector(DPC)と呼ばれ、SDEとDeep Neural Network(DNN)で表される近似物理学をブレンドする。 本論文では,本論文の4つのベンチマーク例について,提案したDPCの性能について述べる。
  論文  参考訳（メタデータ） (2022-09-20T14:30:07Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。