論文の概要: Dynamic Diffusion Schrödinger Bridge in Astrophysical Observational Inversions
- arxiv url: http://arxiv.org/abs/2506.08065v2
- Date: Wed, 11 Jun 2025 16:43:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-12 16:13:48.039177
- Title: Dynamic Diffusion Schrödinger Bridge in Astrophysical Observational Inversions
- Title（参考訳）: 天体観測インバージョンにおける動的拡散シュレーディンガー橋
- Authors: Ye Zhu, Duo Xu, Zhiwei Deng, Jonathan C. Tan, Olga Russakovsky,
- Abstract要約: 動的天体物理系の文脈における拡散シュリンガーブリッジ(DSB)モデルについて検討した。
本稿では、天体物理の力学に最適化された対の領域仮定を持つDSBの変種であるAstro-DSBモデルを紹介する。
- 参考スコア（独自算出の注目度）: 28.93959635012836
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study Diffusion Schr\"odinger Bridge (DSB) models in the context of dynamical astrophysical systems, specifically tackling observational inverse prediction tasks within Giant Molecular Clouds (GMCs) for star formation. We introduce the Astro-DSB model, a variant of DSB with the pairwise domain assumption tailored for astrophysical dynamics. By investigating its learning process and prediction performance in both physically simulated data and in real observations (the Taurus B213 data), we present two main takeaways. First, from the astrophysical perspective, our proposed paired DSB method improves interpretability, learning efficiency, and prediction performance over conventional astrostatistical and other machine learning methods. Second, from the generative modeling perspective, probabilistic generative modeling reveals improvements over discriminative pixel-to-pixel modeling in Out-Of-Distribution (OOD) testing cases of physical simulations with unseen initial conditions and different dominant physical processes. Our study expands research into diffusion models beyond the traditional visual synthesis application and provides evidence of the models' learning abilities beyond pure data statistics, paving a path for future physics-aware generative models which can align dynamics between machine learning and real (astro)physical systems.
- Abstract（参考訳）: 我々は、恒星形成のための巨大分子雲(GMC)内の観測逆予測タスクに特に取り組むために、動的天体物理学系の文脈における拡散Schr\"odinger Bridge (DSB)モデルについて検討した。
本稿では、天体物理の力学に合わせた2つの領域の仮定を持つDSBの変種であるAstro-DSBモデルを紹介する。
物理シミュレーションデータと実観測データ(Taurus B213データ)の学習過程と予測性能を調べた結果,主に2つの特徴が示された。
まず、天体物理学的な観点から、提案手法は従来の統計学およびその他の機械学習手法よりも解釈可能性、学習効率、予測性能を向上させる。
第2に、生成的モデリングの観点から、確率的生成的モデリングは、未確認初期条件と異なる支配的物理過程を持つ物理シミュレーションのOF-Distribution(OOD)テストケースにおける識別的ピクセル・ピクセル・ピクセル・モデリングよりも改善されていることを示す。
本研究は,従来の視覚合成アプリケーションを超えて拡散モデルの研究を拡大し,純粋データ統計以上の学習能力を実証し,機械学習と実(天体)物理システム間のダイナミクスを整合させる将来の物理認識生成モデルへの道を開く。
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) - A Phenomenological AI Foundation Model for Physical Signals [1.204553980682492]
我々は0.59億のクロスモーダルセンサ測定のモデルを開発し、訓練する。
物理法則や帰納バイアスに関する事前の知識はモデルに導入されなかった。
一つの基礎モデルが物理的挙動を効果的にエンコードし予測できることを実証する。
論文 参考訳（メタデータ） (2024-10-15T21:03:53Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-08-25T07:15:58Z) - Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。
我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。
既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文 参考訳（メタデータ） (2022-09-23T14:38:01Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Physics-guided Deep Markov Models for Learning Nonlinear Dynamical
Systems with Uncertainty [6.151348127802708]
我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。
提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
論文 参考訳（メタデータ） (2021-10-16T16:35:12Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳（メタデータ） (2020-04-28T17:06:38Z)
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。