論文の概要: Generative emulation of chaotic dynamics with coherent prior

• arxiv url: http://arxiv.org/abs/2504.14264v1
• Date: Sat, 19 Apr 2025 11:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 03:41:44.598125
• Title: Generative emulation of chaotic dynamics with coherent prior
• Title（参考訳）: コヒーレント前のカオス力学の生成的エミュレーション
• Authors: Juan Nathaniel, Pierre Gentine,
• Abstract要約: 拡散モデルを用いて乱流の原理を統一した動的エミュレーションのための効率的な生成フレームワークを提案する。 具体的には,デノナイジング過程の指導として,基礎となる力学の大規模コヒーレント構造を推定する。 結合性に優れた長距離予測技術は、部分的に観察されたガイダンスが存在する場合でも、物理的に一貫性のあるシミュレーションを効率的に生成することができる。
• 参考スコア（独自算出の注目度）: 0.129182926254119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven emulation of nonlinear dynamics is challenging due to long-range skill decay that often produces physically unrealistic outputs. Recent advances in generative modeling aim to address these issues by providing uncertainty quantification and correction. However, the quality of generated simulation remains heavily dependent on the choice of conditioning priors. In this work, we present an efficient generative framework for dynamics emulation, unifying principles of turbulence with diffusion-based modeling: Cohesion. Specifically, our method estimates large-scale coherent structure of the underlying dynamics as guidance during the denoising process, where small-scale fluctuation in the flow is then resolved. These coherent priors are efficiently approximated using reduced-order models, such as deep Koopman operators, that allow for rapid generation of long prior sequences while maintaining stability over extended forecasting horizon. With this gain, we can reframe forecasting as trajectory planning, a common task in reinforcement learning, where conditional denoising is performed once over entire sequences, minimizing the computational cost of autoregressive-based generative methods. Empirical evaluations on chaotic systems of increasing complexity, including Kolmogorov flow, shallow water equations, and subseasonal-to-seasonal climate dynamics, demonstrate Cohesion superior long-range forecasting skill that can efficiently generate physically-consistent simulations, even in the presence of partially-observed guidance.
• Abstract（参考訳）: データ駆動による非線形力学のエミュレーションは、しばしば物理的に非現実的な出力を生成する長距離スキル崩壊のために困難である。 生成モデリングの最近の進歩は、不確実な定量化と修正を提供することによってこれらの問題に対処することを目的としている。 しかし、生成したシミュレーションの品質は、条件付け前の選択に大きく依存している。 本研究では,拡散に基づくモデリングによる乱流の原理を統一した動的エミュレーションのための効率的な生成フレームワークであるCohesionを提案する。 具体的には,流れの小さな変動が解消されるデノナイジング過程において,基礎となる力学の大規模コヒーレント構造をガイダンスとして推定する。 これらのコヒーレント先行は、拡張予測水平線上の安定性を維持しながら、長い先行列を高速に生成できるディープ・クープマン作用素のような低次モデルを用いて効率よく近似される。 この獲得により,自己回帰型生成手法の計算コストを最小化し,一列一列に1回条件記述を行う強化学習における共通課題である軌道計画として予測を再構築することができる。 コルモゴロフ流、浅水方程式、および季節-季節間の気候力学を含む複雑化のカオスシステムに関する実証的な評価は、部分的に観察されたガイダンスが存在する場合でも、物理的に一貫性のあるシミュレーションを効率的に生成できる、Cohesionの優れた長距離予測技術を実証している。

関連論文リスト

• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Improved deep learning of chaotic dynamical systems with multistep penalty losses [0.0]
  カオスシステムの長期的な振る舞いを予測することは、依然として恐ろしい課題である。 本稿では,最近提案された多段階ペナルティ演算子を活用することで,これらの課題に対処する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-08T00:13:57Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation [13.278744447861289]
  本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。 提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。 数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
  論文  参考訳（メタデータ） (2023-11-14T04:08:14Z)
• Efficient Dynamics Modeling in Interactive Environments with Koopman Theory [22.7309724944471]
  本稿では,畳み込みを用いた長距離予測の逐次的問題を効率的に並列化する方法について述べる。 また、モデルベース計画とモデルフリーRLのための動的モデリングにこのモデルを容易に組み込むことができることを示す。
  論文  参考訳（メタデータ） (2023-06-20T23:38:24Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
  本研究では,連続時間モデルから因果構造を抽出する機構を提案する。 我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。 本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
  論文  参考訳（メタデータ） (2022-10-10T18:53:13Z)
• Accelerated Continuous-Time Approximate Dynamic Programming via Data-Assisted Hybrid Control [0.0]
  本研究では,アクター・クリティックな構造に動的運動量を組み込んだアルゴリズムを導入し,アフィン構造を入力とする連続時間動植物を制御する。 アルゴリズムに動的運動量を導入することにより、閉ループ系の収束特性を加速することができる。
  論文  参考訳（メタデータ） (2022-04-27T05:36:51Z)
• 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)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。