論文の概要: Generating Full-field Evolution of Physical Dynamics from Irregular Sparse Observations

• arxiv url: http://arxiv.org/abs/2505.09284v2
• Date: Sat, 24 May 2025 12:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 14:32:54.851556
• Title: Generating Full-field Evolution of Physical Dynamics from Irregular Sparse Observations
• Title（参考訳）: 不規則スパース観測による物理力学のフルフィールド進化
• Authors: Panqi Chen, Yifan Sun, Lei Cheng, Yang Yang, Weichang Li, Yang Liu, Weiqing Liu, Jiang Bian, Shikai Fang,
• Abstract要約: 不規則なスパース観測から物理力学のフルフィールド進化を生成する新しいフレームワークである関数タッカー空間における逐次拡散について述べる。 本研究では, 復元精度と計算効率の両面で, 最先端の手法と比較して有意な改善が認められた。
• 参考スコア（独自算出の注目度）: 25.000578433018223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling and reconstructing multidimensional physical dynamics from sparse and off-grid observations presents a fundamental challenge in scientific research. Recently, diffusion-based generative modeling shows promising potential for physical simulation. However, current approaches typically operate on on-grid data with preset spatiotemporal resolution, but struggle with the sparsely observed and continuous nature of real-world physical dynamics. To fill the gaps, we present SDIFT, Sequential DIffusion in Functional Tucker space, a novel framework that generates full-field evolution of physical dynamics from irregular sparse observations. SDIFT leverages the functional Tucker model as the latent space representer with proven universal approximation property, and represents observations as latent functions and Tucker core sequences. We then construct a sequential diffusion model with temporally augmented UNet in the functional Tucker space, denoising noise drawn from a Gaussian process to generate the sequence of core tensors. At the posterior sampling stage, we propose a Message-Passing Posterior Sampling mechanism, enabling conditional generation of the entire sequence guided by observations at limited time steps. We validate SDIFT on three physical systems spanning astronomical (supernova explosions, light-year scale), environmental (ocean sound speed fields, kilometer scale), and molecular (organic liquid, millimeter scale) domains, demonstrating significant improvements in both reconstruction accuracy and computational efficiency compared to state-of-the-art approaches.
• Abstract（参考訳）: スパースおよびオフグリッド観測による多次元物理力学のモデリングと再構成は、科学研究における根本的な課題である。 近年,拡散型生成モデリングは物理シミュレーションに有望な可能性を示している。 しかしながら、現在のアプローチは、通常、事前設定された時空間分解を伴うオングリッドデータで機能するが、実世界の物理力学の疎結合な観測と連続的な性質に苦慮している。 このギャップを埋めるために、不規則なスパース観測から物理力学のフルフィールド進化を生成する新しいフレームワークである関数タッカー空間の逐次拡散SDIFTを提案する。 SDIFTは、機能的タッカーモデルを、普遍近似特性が証明された潜在空間表現器として利用し、観測を潜在関数とタッカーコアシーケンスとして表現する。 次に、関数タッカー空間に時間的に拡張されたUNetを持つ逐次拡散モデルを構築し、ガウス過程から引き出された雑音を denoising し、コアテンソルの列を生成する。 後部サンプリング段階では,限られた時間ステップで観測によって導かれる全シーケンスの条件付き生成を可能にする,メッセージパッシング後サンプリング機構を提案する。 我々は、SDIFTを3つの物理系(超新星爆発、光年スケール、環境(海洋音速場、キロメートルスケール)、分子(有機液体、ミリスケール)の領域で検証し、最先端のアプローチと比較して再現精度と計算効率の両面で有意な改善を示した。

関連論文リスト

• Diffusion Dynamics Models with Generative State Estimation for Cloth Manipulation [39.72581795761555]
  本稿では,知覚と動的モデリングの両方に対する拡散に基づく生成手法を提案する。 標準布メッシュと動的モデリングを用いて, 疎RGB-D観測から全布状態の再構築を行った。 我々のフレームワークは実際のロボットシステム上で布の折り畳みをうまく実行します。
  論文  参考訳（メタデータ） (2025-03-15T05:34:26Z)
• Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
  本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。 本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
  論文  参考訳（メタデータ） (2025-02-11T22:14:30Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Dynamic metastability in the self-attention model [22.689695473655906]
  本稿では,トランスフォーマーの玩具モデルとして機能する自己認識モデル(単位球上の相互作用粒子系)について考察する。 我々は[GLPR23]で予想される動的メタスタビリティの出現を証明する。 適切な時間再スケーリングの下では、エネルギーは有限時間で世界最大に達し、階段の形状を持つことを示す。
  論文  参考訳（メタデータ） (2024-10-09T12:50:50Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
  本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。 提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。 この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-06-17T10:21:01Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)

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。