論文の概要: PhyDA: Physics-Guided Diffusion Models for Data Assimilation in Atmospheric Systems

• arxiv url: http://arxiv.org/abs/2505.12882v1
• Date: Mon, 19 May 2025 09:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.505963
• Title: PhyDA: Physics-Guided Diffusion Models for Data Assimilation in Atmospheric Systems
• Title（参考訳）: PhyDA:大気中のデータ同化のための物理誘導拡散モデル
• Authors: Hao Wang, Jindong Han, Wei Fan, Weijia Zhang, Hao Liu,
• Abstract要約: PhyDAは物理誘導拡散フレームワークであり、大気データ同化における物理的コヒーレンスを保証するために設計された。 ERA5リアナリシスデータセットの実験では、PhyDAは最先端のベースラインに比べて精度と物理的妥当性が優れていることが示されている。
• 参考スコア（独自算出の注目度）: 16.163059226023265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data Assimilation (DA) plays a critical role in atmospheric science by reconstructing spatially continous estimates of the system state, which serves as initial conditions for scientific analysis. While recent advances in diffusion models have shown great potential for DA tasks, most existing approaches remain purely data-driven and often overlook the physical laws that govern complex atmospheric dynamics. As a result, they may yield physically inconsistent reconstructions that impair downstream applications. To overcome this limitation, we propose PhyDA, a physics-guided diffusion framework designed to ensure physical coherence in atmospheric data assimilation. PhyDA introduces two key components: (1) a Physically Regularized Diffusion Objective that integrates physical constraints into the training process by penalizing deviations from known physical laws expressed as partial differential equations, and (2) a Virtual Reconstruction Encoder that bridges observational sparsity for structured latent representations, further enhancing the model's ability to infer complete and physically coherent states. Experiments on the ERA5 reanalysis dataset demonstrate that PhyDA achieves superior accuracy and better physical plausibility compared to state-of-the-art baselines. Our results emphasize the importance of combining generative modeling with domain-specific physical knowledge and show that PhyDA offers a promising direction for improving real-world data assimilation systems.
• Abstract（参考訳）: データ同化(DA)は、空間的に連続したシステム状態の推定を再構築することで、大気科学において重要な役割を担っている。 拡散モデルの最近の進歩はDAタスクに大きな可能性を示しているが、既存のほとんどのアプローチは純粋にデータ駆動であり、複雑な大気力学を支配する物理法則を見落としている。 結果として、下流の応用を損なう物理的に矛盾した再構築をもたらす可能性がある。 この制限を克服するために,大気データ同化における物理コヒーレンスを確保するために設計された物理誘導拡散フレームワークであるPhyDAを提案する。 PhyDAは,(1) 偏微分方程式で表される既知の物理法則から逸脱することによる訓練過程に物理的制約を組み込む物理的規則化拡散目的,(2) 構造化された潜在表現の観測空間を橋渡しする仮想再構成エンコーダの2つの重要な要素を導入し,モデルが完全かつ物理的に一貫性のある状態を推測する能力をさらに強化する。 ERA5リアナリシスデータセットの実験では、PhyDAは最先端のベースラインに比べて精度と物理的妥当性が優れていることが示されている。 この結果は,生成モデルとドメイン固有の物理知識を組み合わせることの重要性を強調し,PhyDAが実世界のデータ同化システムを改善する上で有望な方向を提供することを示す。

関連論文リスト

• FunDiff: Diffusion Models over Function Spaces for Physics-Informed Generative Modeling [3.6766942024793496]
  本稿では関数空間における生成モデリングのための新しいフレームワークであるFunDiffを紹介する。 FunDiffは遅延拡散プロセスと関数オートエンコーダアーキテクチャを組み合わせて入力関数を処理する。 本研究では流体力学および固体力学におけるFunDiffの実効性を示す。
  論文  参考訳（メタデータ） (2025-06-09T16:19:59Z)
• PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
  本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
  論文  参考訳（メタデータ） (2025-05-25T21:12:01Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
  そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。 物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-08T14:11:01Z)
• UniGenX: Unified Generation of Sequence and Structure with Autoregressive Diffusion [61.690978792873196]
  既存のアプローチは自己回帰シーケンスモデルか拡散モデルのいずれかに依存している。 自己回帰的次トーケン予測と条件拡散モデルを組み合わせた統合フレームワークUniGenXを提案する。 材料および小分子生成タスクにおけるUniGenXの有効性を検証する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Air Quality Prediction with Physics-Guided Dual Neural ODEs in Open Systems [26.70737906860735]
  大気汚染は人間の健康と生態系を著しく脅かし、公共政策を知らせるために効果的な大気質予測を必要とする。 伝統的なアプローチは一般に物理学に基づくモデルとデータ駆動モデルに分類される。 本稿では,ニューラルネットワークの2つの枝を統合した物理誘導型アプローチであるAirDualODEを提案する。
  論文  参考訳（メタデータ） (2024-10-25T13:56:13Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• State-observation augmented diffusion model for nonlinear assimilation with unknown dynamics [6.682908186025083]
  データ駆動同化のための新しい生成モデルであるState-Observation Augmented Diffusion(SOAD)モデルを提案する。 実験の結果、SOADは既存のデータ駆動方式と比較してパフォーマンスが向上する可能性が示唆されている。
  論文  参考訳（メタデータ） (2024-07-31T03:47:20Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)
• 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)
• Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
  APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。 これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
  論文  参考訳（メタデータ） (2020-10-09T09:31:03Z)
• Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
  基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。 原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。 本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
  論文  参考訳（メタデータ） (2020-02-24T10:28:41Z)

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。