論文の概要: Training-Free Constrained Generation With Stable Diffusion Models
- arxiv url: http://arxiv.org/abs/2502.05625v1
- Date: Sat, 08 Feb 2025 16:11:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:30:48.591833
- Title: Training-Free Constrained Generation With Stable Diffusion Models
- Title(参考訳): 安定拡散モデルによる学習自由制約生成
- Authors: Stefano Zampini, Jacob Christopher, Luca Oneto, Davide Anguita, Ferdinando Fioretto,
- Abstract要約: 本稿では,安定拡散モデルと制約付き最適化フレームワークを統合する新しい手法を提案する。
本研究では, 物質科学実験を通じて, 精密な形態計測特性の付着を必要とする手法の有効性を実証する。
- 参考スコア(独自算出の注目度): 45.138721047543214
- License:
- Abstract: Stable diffusion models represent the state-of-the-art in data synthesis across diverse domains and hold transformative potential for applications in science and engineering, e.g., by facilitating the discovery of novel solutions and simulating systems that are computationally intractable to model explicitly. However, their current utility in these fields is severely limited by an inability to enforce strict adherence to physical laws and domain-specific constraints. Without this grounding, the deployment of such models in critical applications, ranging from material science to safety-critical systems, remains impractical. This paper addresses this fundamental limitation by proposing a novel approach to integrate stable diffusion models with constrained optimization frameworks, enabling them to generate outputs that satisfy stringent physical and functional requirements. We demonstrate the effectiveness of this approach through material science experiments requiring adherence to precise morphometric properties, inverse design problems involving the generation of stress-strain responses using video generation with a simulator in the loop, and safety settings where outputs must avoid copyright infringement.
- Abstract(参考訳): 安定拡散モデルは、様々な領域にまたがるデータ合成の最先端を表現し、新しい解の発見を容易にし、明確にモデル化するために計算的に難解なシステムをシミュレートすることで、科学や工学の応用に変革の可能性を秘めている。
しかし、これらの分野での現在の効用は、物理法則やドメイン固有の制約に厳格な遵守を強制できないため、著しく制限されている。
この根拠がなければ、物質科学から安全クリティカルシステムまで、重要な応用におけるそのようなモデルの展開は、いまだに現実的ではない。
本稿では, 安定拡散モデルと制約付き最適化フレームワークを統合し, 厳密な物理的および機能的要求を満たす出力を生成する新しい手法を提案する。
提案手法の有効性は, 正確な形態的特性に固執する必要のある物質科学実験, ループ内のシミュレータを用いたビデオ生成によるストレス-拘束応答の生成を含む設計上の逆問題, 出力が著作権侵害を回避しなければならない安全設定によって実証される。
関連論文リスト
- Efficient Fine-Tuning and Concept Suppression for Pruned Diffusion Models [93.76814568163353]
本稿では,2段階の拡散モデルに対する新しい最適化フレームワークを提案する。
このフレームワークは、微調整と未学習のプロセスを統一的なフェーズに統合する。
様々なプルーニングや概念未学習の手法と互換性がある。
論文 参考訳(メタデータ) (2024-12-19T19:13:18Z) - Hard Constraint Guided Flow Matching for Gradient-Free Generation of PDE Solutions [41.558608119074755]
計算コストや微調整を必要とせず、ゼロショットで制約を正確に満たすために、事前訓練された非拘束フローマッチングモデルを適用するための新しいフレームワークを提案する。
ECIサンプリングの枠組みは外挿(E)、補正(C)、生成(I)の段階を交互に行い、生成の妥当性を保ちながら制約情報の正確な統合を保証する。
本研究では,これらの制約により引き起こされる複雑な分散シフトを正確に把握し,ECI誘導生成が物理的制約に厳密に準拠することを示し,PDEシステムにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2024-12-02T18:36:26Z) - Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations [56.78271181959529]
GAM(Generalized Additive Models)は、変数とターゲットの間の非線形関係をキャプチャできるが、複雑な特徴相互作用をキャプチャすることはできない。
本稿では,GAMのフレキシブルな形状関数と,数学的表現に見られる複雑な特徴相互作用を融合させる形状表現算術(SHARE)を提案する。
また、標準制約を超えた表現の透明性を保証するSHAREを構築するための一連のルールを設計する。
論文 参考訳(メタデータ) (2024-04-15T13:44:01Z) - Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。
提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
論文 参考訳(メタデータ) (2024-02-05T22:18:16Z) - CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems [1.0923877073891446]
この研究は生成モデルの到達範囲を物理的問題領域に拡張する。
基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。
各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
論文 参考訳(メタデータ) (2023-12-16T19:56:10Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Extreme sparsification of physics-augmented neural networks for
interpretable model discovery in mechanics [0.0]
本稿では,L0$-regularizationのスムーズなバージョンを用いて,正規化された物理拡張ニューラルネットワークモデルを訓練することを提案する。
本手法は, 可圧縮・非圧縮熱力学, 降伏関数, 弾塑性の硬化モデルに対して, 解釈可能かつ信頼性の高いモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-10-05T16:28:58Z) - Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。
提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文 参考訳(メタデータ) (2023-01-27T12:38:09Z) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳(メタデータ) (2021-08-04T07:07:47Z)
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。