論文の概要: FR-Mamba: Time-Series Physical Field Reconstruction Based on State Space Model

• arxiv url: http://arxiv.org/abs/2505.16083v1
• Date: Wed, 21 May 2025 23:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.948061
• Title: FR-Mamba: Time-Series Physical Field Reconstruction Based on State Space Model
• Title（参考訳）: FR-Mamba:状態空間モデルに基づく時系列物理場再構成
• Authors: Jiahuan Long, Wenzhe Zhang, Ning Wang, Tingsong Jiang, Wen Yao,
• Abstract要約: 物理場再構成は、限られたセンサ測定に基づいて物理量の状態分布を予測することを目的としている。 既存のディープラーニングメソッドは、長い時間的・時間的依存関係のキャプチャに失敗することが多い。 状態空間モデリングに基づく新しい流れ場再構成フレームワークFR-Mambaを提案する。
• 参考スコア（独自算出の注目度）: 9.340916033226604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical field reconstruction (PFR) aims to predict the state distribution of physical quantities (e.g., velocity, pressure, and temperature) based on limited sensor measurements. It plays a critical role in domains such as fluid dynamics and thermodynamics. However, existing deep learning methods often fail to capture long-range temporal dependencies, resulting in suboptimal performance on time-evolving physical systems. To address this, we propose FR-Mamba, a novel spatiotemporal flow field reconstruction framework based on state space modeling. Specifically, we design a hybrid neural network architecture that combines Fourier Neural Operator (FNO) and State Space Model (SSM) to capture both global spatial features and long-range temporal dependencies. We adopt Mamba, a recently proposed efficient SSM architecture, to model long-range temporal dependencies with linear time complexity. In parallel, the FNO is employed to capture non-local spatial features by leveraging frequency-domain transformations. The spatiotemporal representations extracted by these two components are then fused to reconstruct the full-field distribution of the physical system. Extensive experiments demonstrate that our approach significantly outperforms existing PFR methods in flow field reconstruction tasks, achieving high-accuracy performance on long sequences.
• Abstract（参考訳）: 物理場再構成(PFR)は、限られたセンサ測定に基づいて物理量の状態分布(例えば、速度、圧力、温度)を予測することを目的としている。 流体力学や熱力学などの分野において重要な役割を果たす。 しかし,既存の深層学習手法では時間的依存を捕捉できない場合が多く,時間的に進化する物理システムでは最適以下の性能が得られる。 そこで我々は,状態空間モデリングに基づく新しい時空間流れ場再構成フレームワークFR-Mambaを提案する。 具体的には、Funier Neural Operator(FNO)とState Space Model(SSM)を組み合わせたハイブリッドニューラルネットワークアーキテクチャを設計し、グローバル空間特性と長距離時間依存性の両方をキャプチャする。 我々は最近提案された効率的なSSMアーキテクチャであるMambaを採用し、線形時間複雑性を伴う長距離時間依存性をモデル化する。 並行して、FNOは周波数領域変換を利用して非局所的な空間的特徴を捉えるために使用される。 これら2つの成分によって抽出された時空間表現を融合させて、物理系の全フィールド分布を再構成する。 大規模な実験により, 流れ場再構築作業における既存のPFR法よりも高い性能を示し, 長周期での高精度な性能を実現した。

関連論文リスト

• Convolutional Long Short-Term Memory Neural Networks Based Numerical Simulation of Flow Field [3.9561033879611944]
  ベースラインネットワークとして改良された畳み込み長短期記憶(Con-vLSTM)ニューラルネットワークを提案する。 円柱まわりの流れの数値シミュレーションを行った。 その結果、改良されたConvLSTMモデルにより、より時間的および空間的特徴を抽出できることが示されている。
  論文  参考訳（メタデータ） (2025-05-21T13:54:37Z)
• A Physics-Informed Convolutional Long Short Term Memory Statistical Model for Fluid Thermodynamics Simulations [0.0]
  流体熱力学の直接数値シミュレーションは計算的に禁止されている。 本稿では、対流の標準例であるRBCの物理インフォームドアーキテクチャを提案する。 推論は、解釈可能性を確保するために、支配的偏微分方程式に対して罰せられる。
  論文  参考訳（メタデータ） (2025-05-16T06:47:00Z)
• Teaching Artificial Intelligence to Perform Rapid, Resolution-Invariant Grain Growth Modeling via Fourier Neural Operator [0.0]
  ミクロ構造進化は材料の物理的、光学的、電子的性質を形成する上で重要な役割を果たしている。 伝統的な位相場モデリングはこれらの現象を正確にシミュレートするが、計算集約的である。 本研究では、フーリエニューラル演算子(FNO)を用いて、分解能不変モデリングを実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T11:19:08Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
  本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。 U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。 UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
  論文  参考訳（メタデータ） (2024-10-15T04:56:43Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。