論文の概要: Spatio-temporal Fourier Transformer (StFT) for Long-term Dynamics Prediction

• arxiv url: http://arxiv.org/abs/2503.11899v1
• Date: Fri, 14 Mar 2025 22:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:37.011781
• Title: Spatio-temporal Fourier Transformer (StFT) for Long-term Dynamics Prediction
• Title（参考訳）: 長期ダイナミクス予測のための時空間フーリエ変換器(StFT)
• Authors: Da Long, Shandian Zhe, Samuel Williams, Leonid Oliker, Zhe Bai,
• Abstract要約: マルチスケールおよびマルチ物理システムの長期的ダイナミクスのシミュレーションは、科学と工学において大きな課題となる。 ニューラル演算子は、その柔軟性と計算効率のために、そのようなダイナミクスを予測するための有望なモデルとして登場した。 本稿では,予測の不確実性を推定・緩和し,長期予測の精度と信頼性を高めるための生成残差補正機構を提案する。
• 参考スコア（独自算出の注目度）: 13.502705948250359
• License:
• Abstract: Simulating the long-term dynamics of multi-scale and multi-physics systems poses a significant challenge in understanding complex phenomena across science and engineering. The complexity arises from the intricate interactions between scales and the interplay of diverse physical processes. Neural operators have emerged as promising models for predicting such dynamics due to their flexibility and computational efficiency. However, they often fail to effectively capture multi-scale interactions or quantify the uncertainties inherent in the predictions. These limitations lead to rapid error accumulation, particularly in long-term forecasting of systems characterized by complex and coupled dynamics. To address these challenges, we propose a spatio-temporal Fourier transformer (StFT), in which each transformer block is designed to learn dynamics at a specific scale. By leveraging a structured hierarchy of StFT blocks, the model explicitly captures dynamics across both macro- and micro- spatial scales. Furthermore, a generative residual correction mechanism is integrated to estimate and mitigate predictive uncertainties, enhancing both the accuracy and reliability of long-term forecasts. Evaluations conducted on three benchmark datasets (plasma, fluid, and atmospheric dynamics) demonstrate the advantages of our approach over state-of-the-art ML methods.
• Abstract（参考訳）: マルチスケール・マルチ物理系の長期的ダイナミクスのシミュレーションは、科学や工学における複雑な現象を理解する上で大きな課題となる。 この複雑さは、スケール間の複雑な相互作用と多様な物理過程の相互作用から生じる。 ニューラル演算子は、その柔軟性と計算効率のために、そのようなダイナミクスを予測するための有望なモデルとして登場した。 しかし、それらはしばしば、マルチスケールの相互作用を効果的に捉えたり、予測に固有の不確実性を定量化するのに失敗する。 これらの制限は、特に複雑で結合された力学によって特徴づけられるシステムの長期的な予測において、急激なエラーの蓄積につながる。 これらの課題に対処するために、各変圧器ブロックが特定のスケールで動的に学習するように設計された時空間フーリエ変換器(StFT)を提案する。 StFTブロックの構造的階層を利用することで、モデルはマクロスケールとマイクロスペーススケールの両方にわたるダイナミックスを明示的にキャプチャする。 さらに、予測の不確実性を推定・緩和するために、生成残差補正機構を統合し、長期予測の精度と信頼性を両立させる。 3つのベンチマークデータセット(プラズマ、流体、大気力学)で行った評価は、最先端のML手法に対するアプローチの利点を示している。

関連論文リスト

• Learning and Current Prediction of PMSM Drive via Differential Neural Networks [13.370017978792479]
  本研究では,ディファレンシャルニューラルネットワーク(DNN)を用いた非線形システムのモデル化手法を提案する。 本手法の有効性は, 各種負荷乱れおよび無負荷条件下で行った実験により検証した。
  論文  参考訳（メタデータ） (2024-12-12T07:43:27Z)
• Ab-Initio Approach to Many-Body Quantum Spin Dynamics [0.0]
  マルチレイヤ・マルチコンフィグレーション・タイム依存のHartreeフレームワークを用いて,Heisenbergモデルの多体スピンダイナミクスをシミュレートする。 解析的および正確な数値的アプローチによるベンチマークでは、ML-MCTDHは1体と2体の観測値の時間進化を正確に捉えている。 対応する絡み合い力学の挙動を解析し、量子状態の複雑さを明らかにする。
  論文  参考訳（メタデータ） (2024-11-20T10:42:35Z)
• Dynamical Mean-Field Theory of Self-Attention Neural Networks [0.0]
  トランスフォーマーベースのモデルは、様々な領域で例外的な性能を示している。 動作方法や期待されるダイナミクスについてはほとんど分かっていない。 非平衡状態における非対称ホップフィールドネットワークの研究に手法を用いる。
  論文  参考訳（メタデータ） (2024-06-11T13:29:34Z)
• Forecasting long-time dynamics in quantum many-body systems by dynamic mode decomposition [6.381013699474244]
  我々は、強い絡み合ったシステムの長時間挙動を予測するために、物理量の短時間データを使用する。 この方法は単純ではあるが、短時間のトレーニングデータよりも1桁近い長い時間で、驚くほど正確な予測を可能にする。
  論文  参考訳（メタデータ） (2024-03-29T03:10:34Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Deep Switching Auto-Regressive Factorization:Application to Time Series Forecasting [16.934920617960085]
  DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。 DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。 本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
  論文  参考訳（メタデータ） (2020-09-10T20:15:59Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。