論文の概要: SPIEDiff: robust learning of long-time macroscopic dynamics from short-time particle simulations with quantified epistemic uncertainty

• arxiv url: http://arxiv.org/abs/2505.13501v1
• Date: Fri, 16 May 2025 02:03:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.342317
• Title: SPIEDiff: robust learning of long-time macroscopic dynamics from short-time particle simulations with quantified epistemic uncertainty
• Title（参考訳）: SPIEDiff: 量子化てんかん不確実性を有する短時間粒子シミュレーションによる長期マクロ力学の頑健な学習
• Authors: Zequn He, Celia Reina,
• Abstract要約: SPIEDiffは、純粋に散逸するシステムのコンテキストにおける制限を克服するために設計された機械学習フレームワークである。 数分で定量化された不確実性を正確に予測し、計算要求を大幅に減らすことができる。 全体として、SPIEDiffは、データ駆動型熱力学モデルの発見において、堅牢で信頼できる経路を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The data-driven discovery of long-time macroscopic dynamics and thermodynamics of dissipative systems with particle fidelity is hampered by significant obstacles. These include the strong time-scale limitations inherent to particle simulations, the non-uniqueness of the thermodynamic potentials and operators from given macroscopic dynamics, and the need for efficient uncertainty quantification. This paper introduces Statistical-Physics Informed Epistemic Diffusion Models (SPIEDiff), a machine learning framework designed to overcome these limitations in the context of purely dissipative systems by leveraging statistical physics, conditional diffusion models, and epinets. We evaluate the proposed framework on stochastic Arrhenius particle processes and demonstrate that SPIEDiff can accurately uncover both thermodynamics and kinetics, while enabling reliable long-time macroscopic predictions using only short-time particle simulation data. SPIEDiff can deliver accurate predictions with quantified uncertainty in minutes, drastically reducing the computational demand compared to direct particle simulations, which would take days or years in the examples considered. Overall, SPIEDiff offers a robust and trustworthy pathway for the data-driven discovery of thermodynamic models.
• Abstract（参考訳）: データ駆動による粒子密度の散逸系の長期マクロ力学と熱力学の発見は、大きな障害によって妨げられる。 これには、粒子シミュレーションに固有の強い時間スケールの制限、与えられたマクロ力学からの熱力学ポテンシャルと作用素の非特異性、効率的な不確実性定量化の必要性が含まれる。 本稿では, 統計物理学, 条件拡散モデル, エピネットを利用して, 純粋散逸系の文脈でこれらの制約を克服する機械学習フレームワークであるSPIEDiffを紹介する。 本研究では, 確率論的アレニウス粒子過程の枠組みを検証し, SPIEDiffが短時間の粒子シミュレーションデータのみを用いて, 信頼性の高い長期マクロ予測を可能にしながら, 熱力学と運動学の両方を正確に発見できることを実証した。 SPIEDiffは、数分で定量化された不確実性のある正確な予測を行うことができ、考慮された例では数日や数年かかる直接粒子シミュレーションと比較して、計算要求を大幅に削減できる。 全体として、SPIEDiffは、データ駆動型熱力学モデルの発見において、堅牢で信頼できる経路を提供する。

関連論文リスト

• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• Space-local memory in generalized master equations: Reaching the thermodynamic limit for the cost of a small lattice simulation [0.0]
  本稿では,時間的テクティタント空間における有限メモリを利用した分散格子問題の多体ダイナミクスを効率的に予測する手法を提案する。 分散ホルスタインモデルにおける非平衡ポーラロン緩和と輸送に着目して, この手法の強度を実証する。
  論文  参考訳（メタデータ） (2024-11-13T13:30:03Z)
• Quantification of total uncertainty in the physics-informed reconstruction of CVSim-6 physiology [1.6874375111244329]
  本研究では,MC X-TFCを模擬した微分系の状態とパラメータの推定における総不確かさの分解について検討した。 MC X-TFCは、ヒト生理学の文脈で開発された6成分の固形ODEであるCVSim-6モデルに適用される。
  論文  参考訳（メタデータ） (2024-08-13T21:10:39Z)
• Diff-PIC: Revolutionizing Particle-In-Cell Nuclear Fusion Simulation with Diffusion Models [38.46100610494588]
  核融合は究極的な解決策と見なされ、ほぼ1世紀にわたって集中的な研究の焦点となっている。 慣性凝縮核融合の最近の進歩は核融合研究に大きな注目を集めている。 レーザー-プラズマ相互作用は核融合安定性と効率を確保するために重要である。
  論文  参考訳（メタデータ） (2024-08-03T19:42:31Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• PDE-Refiner: Achieving Accurate Long Rollouts with Neural PDE Solvers [40.097474800631]
  時間依存偏微分方程式(PDE)は、科学や工学においてユビキタスである。 ディープニューラルネットワークに基づくサロゲートへの関心が高まっている。
  論文  参考訳（メタデータ） (2023-08-10T17:53:05Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Physics-aware, probabilistic model order reduction with guaranteed stability [0.0]
  実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。 粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
  論文  参考訳（メタデータ） (2021-01-14T19:16:51Z)
• Uncertainty estimation for molecular dynamics and sampling [0.0]
  機械学習モデルは、時間を要する電子構造計算をサイドステップする非常に効果的な戦略として登場した。 モデルのトレーニング中に含まれる有限個の参照構造から導かれる誤差を推定することは非常に重要である。 本報告では, 水や液体ガリウムほど多様な構造特性と熱力学特性, システムについて述べる。
  論文  参考訳（メタデータ） (2020-11-10T00:07:50Z)
• 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。