論文の概要: Lost in Latent Space: An Empirical Study of Latent Diffusion Models for Physics Emulation

• arxiv url: http://arxiv.org/abs/2507.02608v1
• Date: Thu, 03 Jul 2025 13:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.369729
• Title: Lost in Latent Space: An Empirical Study of Latent Diffusion Models for Physics Emulation
• Title（参考訳）: 潜時空間における損失--物理エミュレーションのための潜時拡散モデルに関する実証的研究
• Authors: François Rozet, Ruben Ohana, Michael McCabe, Gilles Louppe, François Lanusse, Shirley Ho,
• Abstract要約: 動的システムのエミュレーションに同様の戦略を効果的に適用できるかどうかを検討する。 遅延空間エミュレーションの精度は、広範囲の圧縮速度に対して驚くほど堅牢であることがわかった。 また,拡散型エミュレータは非生成的エミュレータよりも一貫して精度が高いことを示す。
• 参考スコア（独自算出の注目度）: 10.924642223683634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The steep computational cost of diffusion models at inference hinders their use as fast physics emulators. In the context of image and video generation, this computational drawback has been addressed by generating in the latent space of an autoencoder instead of the pixel space. In this work, we investigate whether a similar strategy can be effectively applied to the emulation of dynamical systems and at what cost. We find that the accuracy of latent-space emulation is surprisingly robust to a wide range of compression rates (up to 1000x). We also show that diffusion-based emulators are consistently more accurate than non-generative counterparts and compensate for uncertainty in their predictions with greater diversity. Finally, we cover practical design choices, spanning from architectures to optimizers, that we found critical to train latent-space emulators.
• Abstract（参考訳）: 推論における拡散モデルの急激な計算コストは、高速な物理学エミュレータとしての使用を妨げる。 画像およびビデオ生成の文脈では、この計算の欠点は、ピクセル空間の代わりにオートエンコーダの潜時空間を発生させることによって対処されている。 本研究では, 動的システムのエミュレーションに類似の戦略を効果的に適用できるかどうか, コストについて検討する。 遅延空間エミュレーションの精度は、広範囲の圧縮速度(最大1000倍)に対して驚くほど堅牢である。 また,拡散型エミュレータは非生成的エミュレータよりも一貫して精度が高く,多様性の高い予測の不確かさを補うことを示す。 最後に、アーキテクチャからオプティマイザまで、実用的な設計選択を取り上げ、ラテントスペースエミュレータのトレーニングに欠かせないものを見つけました。

関連論文リスト

• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• 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)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• Redefining Super-Resolution: Fine-mesh PDE predictions without classical simulations [0.0]
  PDEに基づく問題に適した超解像の新たな定義を提案する。 我々は、粗いグリッドシミュレーションデータを入力として使用し、詳細なグリッドシミュレーション結果を予測する。 本手法は,従来のシミュレーションを通したファイン・メッシュ・ソリューションの生成を可能にする。
  論文  参考訳（メタデータ） (2023-11-16T10:13:09Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Bayesian Emulation for Computer Models with Multiple Partial Discontinuities [0.0]
  エミュレータは、コンピュータモデルを評価するのが遅いことを模倣する高速な統計構造である。 本稿では,不連続性を尊重する慎重に設計された相関構造に基づくTENSEフレームワークを紹介する。 我々は, TENSE フレームワークを TNO Challenge II に適用し, OLYMPUS 貯水池モデルをエミュレートした。
  論文  参考訳（メタデータ） (2022-10-19T11:14:57Z)
• Deep convolutional surrogates and degrees of freedom in thermal design [0.0]
  畳み込みニューラルネットワーク(CNN)は、画像として保存されたトポロジから直接計算流体力学(CFD)の結果を予測するために用いられる。 本稿では,複合ベジエ曲線を用いた複素フィン測地における熱伝達と圧力降下予測のための代理モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-16T00:45:39Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)

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。