論文の概要: Mamba Integrated with Physics Principles Masters Long-term Chaotic System Forecasting

• arxiv url: http://arxiv.org/abs/2505.23863v1
• Date: Thu, 29 May 2025 08:56:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.581114
• Title: Mamba Integrated with Physics Principles Masters Long-term Chaotic System Forecasting
• Title（参考訳）: Mambaと物理原理を融合した長期カオスシステム予測
• Authors: Chang Liu, Bohao Zhao, Jingtao Ding, Huandong Wang, Yong Li,
• Abstract要約: PhyxMambaは、Mambaベースの状態空間モデルと物理インフォームドの原理を統合し、カオスシステムの基盤となるダイナミクスを捉える新しいフレームワークである。 提案手法により,マルチトークン予測とアトラクタ幾何正規化により,Mambaが物理過程を再現することが可能になる。 この枠組みは、気候科学、神経科学、疫学など幅広い意味を持つ、観測・監視条件下でカオスシステムを確実に予測するための新たな道を開く。
• 参考スコア（独自算出の注目度）: 16.519812316626584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term forecasting of chaotic systems from short-term observations remains a fundamental and underexplored challenge due to the intrinsic sensitivity to initial conditions and the complex geometry of strange attractors. Existing approaches often rely on long-term training data or focus on short-term sequence correlations, struggling to maintain predictive stability and dynamical coherence over extended horizons. We propose PhyxMamba, a novel framework that integrates a Mamba-based state-space model with physics-informed principles to capture the underlying dynamics of chaotic systems. By reconstructing the attractor manifold from brief observations using time-delay embeddings, PhyxMamba extracts global dynamical features essential for accurate forecasting. Our generative training scheme enables Mamba to replicate the physical process, augmented by multi-token prediction and attractor geometry regularization for physical constraints, enhancing prediction accuracy and preserving key statistical invariants. Extensive evaluations on diverse simulated and real-world chaotic systems demonstrate that PhyxMamba delivers superior long-term forecasting and faithfully captures essential dynamical invariants from short-term data. This framework opens new avenues for reliably predicting chaotic systems under observation-scarce conditions, with broad implications across climate science, neuroscience, epidemiology, and beyond. Our code is open-source at https://github.com/tsinghua-fib-lab/PhyxMamba.
• Abstract（参考訳）: 短期観測によるカオスシステムの長期予測は、初期条件に対する本質的な感度と奇妙な誘引子の複雑な幾何学のため、基礎的で未解明の課題である。 既存のアプローチは、しばしば長期のトレーニングデータに依存するか、短期的なシーケンス相関に重点を置いており、予測安定性と拡張水平線上の動的コヒーレンスを維持するのに苦労している。 本稿では,Mambaをベースとした状態空間モデルと物理インフォームド原理を統合し,カオスシステムの基盤となるダイナミクスを捉える新しいフレームワークであるPhyxMambaを提案する。 PhyxMamba は、時間遅延埋め込みを用いた短い観測からアトラクタ多様体を再構成することにより、正確な予測に不可欠な大域的動的特徴を抽出する。 我々の生成的学習手法により,Mambaは物理過程の再現が可能となり,物理制約に対する多点予測とアトラクタ幾何正規化によって強化され,予測精度が向上し,重要な統計不変量を保存することができる。 多様なシミュレートされた実世界のカオスシステムに対する広範囲な評価は、PhyxMambaがより優れた長期予測を提供し、短期的なデータから不可欠な動的不変量を忠実に捉えていることを示している。 この枠組みは、気候科学、神経科学、疫学など幅広い意味を持つ、観測・監視条件下でカオスシステムを確実に予測するための新たな道を開く。 私たちのコードはhttps://github.com/tsinghua-fib-lab/PhyxMamba.comで公開されている。

関連論文リスト

• 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)
• Spatio-temporal Fourier Transformer (StFT) for Long-term Dynamics Prediction [13.502705948250359]
  マルチスケールおよびマルチ物理システムの長期的ダイナミクスのシミュレーションは、科学と工学において大きな課題となる。 ニューラル演算子は、その柔軟性と計算効率のために、そのようなダイナミクスを予測するための有望なモデルとして登場した。 本稿では,予測の不確実性を推定・緩和し,長期予測の精度と信頼性を高めるための生成残差補正機構を提案する。
  論文  参考訳（メタデータ） (2025-03-14T22:04:03Z)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• 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)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。