論文の概要: PhysiX: A Foundation Model for Physics Simulations

• arxiv url: http://arxiv.org/abs/2506.17774v1
• Date: Sat, 21 Jun 2025 18:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.578059
• Title: PhysiX: A Foundation Model for Physics Simulations
• Title（参考訳）: PhysiX:物理シミュレーションの基礎モデル
• Authors: Tung Nguyen, Arsh Koneru, Shufan Li, Aditya grover,
• Abstract要約: 物理シミュレーションのための最初の大規模基礎モデルであるPhysorXを紹介する。 PhysiXはデータボトルネックに効果的に対処し、タスク固有のベースラインを上回ります。 その結果,自然ビデオから学んだ知識が物理シミュレーションにうまく移行できることが示唆された。
• 参考スコア（独自算出の注目度）: 27.359872113159405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models have achieved remarkable success across video, image, and language domains. By scaling up the number of parameters and training datasets, these models acquire generalizable world knowledge and often surpass task-specific approaches. However, such progress has yet to extend to the domain of physics simulation. A primary bottleneck is data scarcity: while millions of images, videos, and textual resources are readily available on the internet, the largest physics simulation datasets contain only tens of thousands of samples. This data limitation hinders the use of large models, as overfitting becomes a major concern. As a result, physics applications typically rely on small models, which struggle with long-range prediction due to limited context understanding. Additionally, unlike images, videos, or text-which typically exhibit fixed granularity-physics datasets often vary drastically in scale, amplifying the challenges of scaling up multitask training. We introduce PhysiX, the first large-scale foundation model for physics simulation. PhysiX is a 4.5B parameter autoregressive generative model. It uses a discrete tokenizer to encode physical processes at different scales into a sequence of discrete tokens, and employs an autoregressive next-token prediction objective to model such processes in the token space. To mitigate the rounding error in the discretization process, PhysiX incorporates a specialized refinement module. Through extensive experiments, we show that PhysiX effectively addresses the data bottleneck, outperforming task-specific baselines under comparable settings as well as the previous absolute state-of-the-art approaches on The Well benchmark. Our results indicate that knowledge learned from natural videos can be successfully transferred to physics simulation, and that joint training across diverse simulation tasks enables synergistic learning.
• Abstract（参考訳）: ファンデーションモデルは、ビデオ、画像、言語ドメインで大きな成功を収めています。 パラメータの数をスケールアップし、データセットをトレーニングすることで、これらのモデルは一般化可能な世界知識を獲得し、しばしばタスク固有のアプローチを超えます。 しかし、そのような進歩は物理シミュレーションの領域にはまだ及ばない。 何百万もの画像、ビデオ、テキストのリソースがインターネットで簡単に利用できる一方で、最大の物理シミュレーションデータセットには数万のサンプルしか含まれていない。 このデータ制限は、オーバーフィッティングが大きな関心事となるため、大きなモデルの使用を妨げる。 結果として、物理学の応用は通常、限られた文脈理解のために長距離予測に苦しむ小さなモデルに依存している。 さらに、画像、ビデオ、テキストとは違い、固定された粒度物理データセットは大規模に大きく異なることが多く、マルチタスクトレーニングのスケールアップという課題を増幅する。 物理シミュレーションのための最初の大規模基礎モデルであるPhysorXを紹介する。 PhysiXは4.5Bパラメータの自動回帰生成モデルである。 離散トークン化器を用いて、異なるスケールの物理プロセスを離散トークンの列に符号化し、自己回帰的な次世代予測目標を用いてトークン空間内のそのようなプロセスをモデル化する。 離散化過程における丸め誤差を軽減するため、PhysorXは特別な精細化モジュールを組み込んでいる。 広範な実験を通じて、PhysorXはデータボトルネックに効果的に対処し、同等の設定下でタスク固有のベースラインを上回り、The Wellベンチマークにおけるこれまでの絶対的最先端アプローチよりも優れていることを示す。 実験の結果,自然ビデオから学んだ知識は物理シミュレーションにうまく移行でき,多様なシミュレーションタスクにおける共同学習は相乗的学習を可能にすることがわかった。

関連論文リスト

• Physics-Learning AI Datamodel (PLAID) datasets: a collection of physics simulations for machine learning [0.15469999759898032]
  PLAIDは物理シミュレーションのデータセットを表現および共有するためのフレームワークである。 PLAIDはシミュレーションデータを記述するための統一標準を定義する。 PLAID標準の下で,構造力学と計算流体力学を網羅した6つのデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-05-05T18:59:17Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• The Well: a Large-Scale Collection of Diverse Physics Simulations for Machine Learning [4.812580392361432]
  ウェルは様々な物理系の数値シミュレーションの大規模なコレクションである。 これらのデータセットは、個別またはより広範なベンチマークスイートの一部として使用することができる。 モデルをトレーニングし、評価するための統合されたPyTorchインターフェースを提供する。
  論文  参考訳（メタデータ） (2024-11-30T19:42:14Z)
• DreamPhysics: Learning Physics-Based 3D Dynamics with Video Diffusion Priors [75.83647027123119]
  本稿では,映像拡散前の物体の物理的特性を学習することを提案する。 次に,物理に基づくMaterial-Point-Methodシミュレータを用いて,現実的な動きを伴う4Dコンテンツを生成する。
  論文  参考訳（メタデータ） (2024-06-03T16:05:25Z)
• BeamVQ: Aligning Space-Time Forecasting Model via Self-training on Physics-aware Metrics [18.67368024029461]
  本研究では、ベクトル量子化(BeamVQ)によるemphBeam探索を提案し、データ駆動時空予測モデルの物理的アライメントを強化する。 BeamVQは、物理を意識したメトリクスでフィルタリングされた自己生成サンプルのモデルを訓練する。 実験によると、BeamVQは5つのデータセットで10のバックボーンに対して平均的な統計スキルスコアを32%以上向上させただけでなく、物理学を意識したメトリクスを大幅に強化した。
  論文  参考訳（メタデータ） (2024-05-27T11:07:47Z)
• 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)
• 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)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。