Fugu-MT 論文翻訳(概要): Mamba Integrated with Physics Principles Masters Long-term Chaotic System Forecasting

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

arxiv url: http://arxiv.org/abs/2505.23863v2
Date: Fri, 26 Sep 2025 10:35:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-29 16:35:18.889473
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、カオスシステムの長期的な振る舞いを予測するフレームワークである。我々はPhyxMambaが優れた予測精度を提供し、短期的な歴史的観測から重要な統計を忠実に捉えていることを示す。
参考スコア（独自算出の注目度）: 26.45571254488745
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Long-term forecasting of chaotic systems remains a fundamental challenge due to the intrinsic sensitivity to initial conditions and the complex geometry of strange attractors. Conventional approaches, such as reservoir computing, typically require training data that incorporates long-term continuous dynamical behavior to comprehensively capture system dynamics. While advanced deep sequence models can capture transient dynamics within the training data, they often struggle to maintain predictive stability and dynamical coherence over extended horizons. Here, we propose PhyxMamba, a framework that integrates a Mamba-based state-space model with physics-informed principles to forecast long-term behavior of chaotic systems given short-term historical observations on their state evolution. We first reconstruct the attractor manifold with time-delay embeddings to extract global dynamical features. After that, we introduce a generative training scheme that enables Mamba to replicate the physical process. It is further augmented by multi-patch prediction and attractor geometry regularization for physical constraints, enhancing predictive accuracy and preserving key statistical properties of systems. Extensive experiments on simulated and real-world chaotic systems demonstrate that PhyxMamba delivers superior forecasting accuracy and faithfully captures essential statistics from short-term historical observations.
Abstract（参考訳）: 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に、依然として根本的な課題である。貯水池計算のような従来の手法は、システム力学を包括的に捉えるために、長期連続的な動的挙動を含む訓練データを必要とする。高度なディープシークエンスモデルはトレーニングデータ内の過渡的ダイナミクスを捉えることができるが、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することが多い。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たPhyxMambaを提案する。まず,時間遅延埋め込みを用いてアトラクタ多様体を再構成し,大域的動的特徴を抽出する。その後,Mambaが物理過程を再現できる生成学習手法を導入する。物理制約に対するマルチパッチ予測とアトラクタ幾何正規化によってさらに拡張され、予測精度が向上し、システムの重要な統計特性が保たれる。シミュレーションと実世界のカオスシステムに関する大規模な実験は、PhyxMambaが予測精度を向上し、短期的な歴史的観測から重要な統計を忠実に捉えていることを示している。

関連論文リスト

A Generalizable Physics-Enhanced State Space Model for Long-Term Dynamics Forecasting in Complex Environments [16.251382658415494]
本稿では,物理知識を状態空間モデルに統合する一般化可能なPhy-SSMを提案する。我々のモチベーションは、SSMがシーケンシャルデータにおける長距離依存を効果的に捉え、連続的な力学系をモデル化できることです。車両の動き予測、ドローン状態予測、COVID-19疫学予測を含む3つの実世界の応用実験は、Phy-SSMの優れた性能を示している。
論文参考訳（メタデータ） (2025-07-14T20:46:12Z)
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)
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)
A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文参考訳（メタデータ） (2024-02-26T04:39:01Z)
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)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
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。