論文の概要: Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis

• arxiv url: http://arxiv.org/abs/2505.11491v2
• Date: Sat, 13 Sep 2025 19:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 15:23:16.13549
• Title: Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis
• Title（参考訳）: 交通流モデリングにおける物理インフォームド機械学習の可能性:理論的および実験的解析
• Authors: Yuan-Zheng Lei, Yaobang Gong, Dianwei Chen, Yao Cheng, Xianfeng Terry Yang,
• Abstract要約: 本研究では,物理インフォームド・機械学習 (PIML) がマクロな交通流モデリングに失敗する原因について検討する。 障害を、PIMLモデルが純粋にデータ駆動と純粋に物理ベースラインの両方を所定の閾値で下回る場合として定義する。 LWRベースのPIMLが高解像度のデータでもARZベースのPIMLより優れている理由を説明する。
• 参考スコア（独自算出の注目度）: 5.055539099879598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates why physics-informed machine learning (PIML) can fail in macroscopic traffic flow modeling. We define failure as cases where a PIML model underperforms both purely data-driven and purely physics-based baselines by a given threshold. Unlike in other fields, physics residuals themselves do not hinder optimization in this setting. Instead, effective updates require both data and physics gradients to form acute angles with the true gradient, a condition difficult to satisfy with low-resolution loop data. In such cases, neural networks cannot accurately approximate density and speed, and the constructed physics residuals, already degraded by discrete sampling and temporal averaging, lose their ability to capture PDE dynamics, which directly leads to PIML failure. Theoretically, although LWR and ARZ solutions are weak solutions, for piecewise $C^k$ initial data they remain $C^k$ off the shock set under mild conditions, which has Lebesgue measure zero. Thus, almost all detector or collocation points lie in smooth regions where residuals are valid, and the MLP's inability to exactly represent discontinuities is immaterial. Finally, we establish MSE lower bounds of physics residuals: higher-order models such as ARZ have strictly larger consistency error bounds than LWR under mild conditions. This explains why LWR-based PIML can outperform ARZ-based PIML even with high-resolution data, with the gap shrinking as resolution increases, consistent with prior empirical findings.
• Abstract（参考訳）: 本研究では,物理インフォームド・機械学習 (PIML) がマクロな交通流モデリングに失敗する原因について検討する。 障害を、PIMLモデルが純粋にデータ駆動と純粋に物理ベースラインの両方を所定の閾値で下回る場合として定義する。 他の分野とは異なり、物理学の残差は、この設定における最適化を妨げない。 代わりに、効果的な更新は、真の勾配で急性の角度を形成するためにデータと物理の勾配の両方を必要とし、これは低解像度のループデータで満たすのが難しい条件である。 このような場合、ニューラルネットワークは密度と速度を正確に近似することはできず、構築された物理残差は離散サンプリングと時間平均化によって既に劣化しており、PDEダイナミクスを捕捉する能力を失い、PIMLの故障に直接繋がる。 理論的には、LWR と ARZ の解は弱解であるが、素数$C^k$ の初期データについては、ルベーグ測度 0 の穏やかな条件下でのショックセットから$C^k$ を外す。 したがって、ほとんど全ての検出器またはコロケーションポイントは、残留物が有効である滑らかな領域にあり、MLPが不連続性を正確に表現できないことは非物質的である。 最後に、MSEの物理残差を低く設定する:ARZのような高次モデルは、穏やかな条件下ではLWRよりも厳密な整合誤差境界を持つ。 このことは、LWRベースのPIMLが高解像度のデータでもARZベースのPIMLより優れている理由を説明する。

関連論文リスト

• Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation [18.564353542797946]
  磁気閉じ込め核融合では、Grad-Shafranov方程式(GSE)の迅速かつ正確な解はリアルタイムプラズマ制御と解析に不可欠である。 従来の数値解法は精度が高く、計算は禁じられているが、データ駆動サロゲートは素早く推論するが、物理法則を強制せず、トレーニング分布をはるかに越えて一般化することができない。 本稿では, GSE 解演算子を直接学習する物理インフォームド・ニューラル演算子 (PINO) について述べる。
  論文  参考訳（メタデータ） (2025-11-24T13:46:38Z)
• Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
  本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。 PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
  論文  参考訳（メタデータ） (2025-11-17T09:37:04Z)
• Uncertainty-Aware Diagnostics for Physics-Informed Machine Learning [7.677300807530908]
  物理インフォームド機械学習(PIML)は、しばしば微分方程式制約の形で、物理データにモデルを適合させるプロセスに統合する。 PIMLモデルの品質を測定するため,PILEスコア(Physical-Informed Log Evidence)を導入する。 PILEは、カーネル帯域幅、最小二乗正規化重み、カーネル関数の選択など、様々なモデルパラメータに対して優れた選択を得られることを示す。
  論文  参考訳（メタデータ） (2025-10-30T04:05:49Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Reconstructing Physics-Informed Machine Learning for Traffic Flow Modeling: a Multi-Gradient Descent and Pareto Learning Approach [5.937203351551678]
  物理インフォームド・機械学習(PIML)は現代の流れモデリングにおいて重要である。 本稿では,多目的最適化問題として,トレーニングプロセスの修正によるPIMLのパラダイムシフトを提案する。
  論文  参考訳（メタデータ） (2025-05-19T15:23:24Z)
• LaPON: A Lagrange's-mean-value-theorem-inspired operator network for solving PDEs and its application on NSE [8.014720523981385]
  ラグランジュの平均値定理に着想を得た演算子ネットワークであるLaPONを提案する。 損失関数ではなく、ニューラルネットワークアーキテクチャに直接、事前の知識を組み込む。 LaPONは、高忠実度流体力学シミュレーションのためのスケーラブルで信頼性の高いソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-18T10:45:17Z)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
  本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。 正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• A Theoretical Perspective: How to Prevent Model Collapse in Self-consuming Training Loops [55.07063067759609]
  高品質なデータは大規模な生成モデルのトレーニングには不可欠だが、オンラインで利用可能な実際のデータの膨大な蓄積はほとんど枯渇している。 モデルは、さらなるトレーニングのために独自のデータを生成し、自己消費訓練ループ(STL)を形成する。 一部のモデルは劣化または崩壊するが、他のモデルはこれらの失敗をうまく回避し、理論的な理解にかなりのギャップを残している。
  論文  参考訳（メタデータ） (2025-02-26T06:18:13Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• 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)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• 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)
• A Physics Enhanced Residual Learning (PERL) Framework for Vehicle Trajectory Prediction [5.7215490229343535]
  PERLは、トラフィック状態予測のための物理とデータ駆動方式の長所を統合する。 物理モデルに固有の解釈可能性を保持し、データ要求を減らした。 PERLは、物理モデル、データ駆動モデル、PINNモデルと比較して、小さなデータセットでより良い予測を実現する。
  論文  参考訳（メタデータ） (2023-09-26T21:41:45Z)
• A physics-constrained machine learning method for mapping gapless land surface temperature [6.735896406986559]
  本稿では,物理的意味と高精度なLSTを生成する物理MLモデルを提案する。 勾配入力としてリモートセンシングデータのみを使用する光発振機(LGBM)モデルは、純粋なMLモデルとして機能する。 純粋な物理法や純粋なML法と比較して、PC-LGBMモデルはLSTの予測精度と物理的解釈性を改善する。
  論文  参考訳（メタデータ） (2023-07-03T01:44:48Z)
• Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
  急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。 本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
  論文  参考訳（メタデータ） (2022-08-18T05:00:24Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)

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。