論文の概要: Universal Physics Simulation: A Foundational Diffusion Approach
- arxiv url: http://arxiv.org/abs/2507.09733v1
- Date: Sun, 13 Jul 2025 18:12:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 20:53:35.143629
- Title: Universal Physics Simulation: A Foundational Diffusion Approach
- Title（参考訳）: ユニバーサル物理シミュレーション : 基礎拡散のアプローチ
- Authors: Bradley Camburn,
- Abstract要約: 境界条件データから直接物理法則を学習する普遍物理学シミュレーションのための最初の基礎的AIモデルを提案する。
本手法は,シミュレーションを条件付き生成問題として扱うことにより,計算物理を再現する。
繰り返しにわたってエラーを蓄積するシーケンシャルなタイムステッピングメソッドとは異なり、私たちのアプローチは時間的統合を完全にバイパスします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present the first foundational AI model for universal physics simulation that learns physical laws directly from boundary-condition data without requiring a priori equation encoding. Traditional physics-informed neural networks (PINNs) and finite-difference methods necessitate explicit mathematical formulation of governing equations, fundamentally limiting their generalizability and discovery potential. Our sketch-guided diffusion transformer approach reimagines computational physics by treating simulation as a conditional generation problem, where spatial boundary conditions guide the synthesis of physically accurate steady-state solutions. By leveraging enhanced diffusion transformer architectures with novel spatial relationship encoding, our model achieves direct boundary-to-equilibrium mapping and is generalizable to diverse physics domains. Unlike sequential time-stepping methods that accumulate errors over iterations, our approach bypasses temporal integration entirely, directly generating steady-state solutions with SSIM > 0.8 while maintaining sub-pixel boundary accuracy. Our data-informed approach enables physics discovery through learned representations analyzable via Layer-wise Relevance Propagation (LRP), revealing emergent physical relationships without predetermined mathematical constraints. This work represents a paradigm shift from AI-accelerated physics to AI-discovered physics, establishing the first truly universal physics simulation framework.
- Abstract（参考訳）: 本稿では,境界条件データから直接物理法則を学習する普遍物理学シミュレーションのための基礎的AIモデルを提案する。
従来の物理学インフォームドニューラルネットワーク(PINN)と有限差分法は、支配方程式の明示的な数学的定式化を必要とし、その一般化可能性と発見可能性に根本的な制限を与える。
本手法は,空間境界条件が物理的に正確な定常解の合成を導く条件生成問題としてシミュレーションを扱い,計算物理を再現する。
拡張拡散トランスフォーマーアーキテクチャを新しい空間的関係符号化により活用することにより,モデルが直接境界-平衡マッピングを実現し,多種多様な物理領域に一般化可能である。
SSIM > 0.8 の定常解をサブピクセル境界精度を維持しながら直接生成する。
我々のデータインフォームドアプローチは、LRP(Layer-wise Relevance Propagation)を通して解析可能な学習表現による物理発見を可能にし、所定の数学的制約を伴わずに創発的な物理的関係を明らかにする。
この研究は、AIが加速する物理学からAIが発見する物理学へのパラダイムシフトを表しており、最初の真に普遍的な物理シミュレーションフレームワークを確立している。
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) - Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
物理インフォームド・機械学習は、デジタル双生児におけるモデリングとシミュレーションの一般的なアプローチとして登場した。
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。
本手法は、物理モデルとフィードフォワード学習ブロックとから、微分可能な物理ブロックを実装する数学的演算子を統合する。
論文 参考訳（メタデータ） (2024-11-18T11:58:20Z) - Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。
有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。
本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-11-08T15:22:20Z) - Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。
その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
論文 参考訳（メタデータ） (2024-10-05T10:32:51Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳（メタデータ） (2023-09-27T00:12:07Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - Physics informed machine learning with Smoothed Particle Hydrodynamics:
Hierarchy of reduced Lagrangian models of turbulence [0.6542219246821327]
この原稿は乱流に対するパラメータ化還元ラグランジアンモデルの階層を構築している。
Smoothed Particle Hydrodynamics (SPH) を通した物理的構造を、普遍関数近似器としてニューラルネットワーク(NN)に依存することによる影響について検討する。
論文 参考訳（メタデータ） (2021-10-25T22:57:40Z) - 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) - Physics Informed Deep Learning for Transport in Porous Media. Buckley
Leverett Problem [0.0]
貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。
この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。
提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
論文 参考訳（メタデータ） (2020-01-15T08:20:11Z)
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。