論文の概要: A Generalizable Physics-Enhanced State Space Model for Long-Term Dynamics Forecasting in Complex Environments

• arxiv url: http://arxiv.org/abs/2507.10792v1
• Date: Mon, 14 Jul 2025 20:46:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.880987
• Title: A Generalizable Physics-Enhanced State Space Model for Long-Term Dynamics Forecasting in Complex Environments
• Title（参考訳）: 複合環境における長期ダイナミクス予測のための一般化可能な物理拡張状態空間モデル
• Authors: Yuchen Wang, Hongjue Zhao, Haohong Lin, Enze Xu, Lifang He, Huajie Shao,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.251382658415494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work aims to address the problem of long-term dynamic forecasting in complex environments where data are noisy and irregularly sampled. While recent studies have introduced some methods to improve prediction performance, these approaches still face a significant challenge in handling long-term extrapolation tasks under such complex scenarios. To overcome this challenge, we propose Phy-SSM, a generalizable method that integrates partial physics knowledge into state space models (SSMs) for long-term dynamics forecasting in complex environments. Our motivation is that SSMs can effectively capture long-range dependencies in sequential data and model continuous dynamical systems, while the incorporation of physics knowledge improves generalization ability. The key challenge lies in how to seamlessly incorporate partially known physics into SSMs. To achieve this, we decompose partially known system dynamics into known and unknown state matrices, which are integrated into a Phy-SSM unit. To further enhance long-term prediction performance, we introduce a physics state regularization term to make the estimated latent states align with system dynamics. Besides, we theoretically analyze the uniqueness of the solutions for our method. Extensive experiments on three real-world applications, including vehicle motion prediction, drone state prediction, and COVID-19 epidemiology forecasting, demonstrate the superior performance of Phy-SSM over the baselines in both long-term interpolation and extrapolation tasks. The code is available at https://github.com/511205787/Phy_SSM-ICML2025.
• Abstract（参考訳）: この研究は、データがノイズで不規則にサンプリングされる複雑な環境での長期的動的予測の問題に対処することを目的としている。 最近の研究では予測性能を改善する方法がいくつか導入されているが、このような複雑なシナリオ下での長期的外挿タスクの処理において、これらのアプローチは依然として大きな課題に直面している。 この課題を克服するために、複雑な環境での長期力学予測のための状態空間モデル(SSM)に部分物理学的知識を統合する一般化可能な方法である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捕捉し、連続力学系をモデル化し、物理知識を組み込むことで一般化能力を向上させることである。 鍵となる課題は、部分的に知られている物理学をSSMにシームレスに組み込む方法である。 これを実現するために、部分的に既知のシステムダイナミクスを未知の状態行列に分解し、Phy-SSMユニットに統合する。 長期予測性能をさらに向上するため,推定潜在状態とシステムダイナミクスを一致させる物理状態正規化項を導入する。 さらに,本手法の解の特異性を理論的に解析する。 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つの現実世界の応用に関する大規模な実験は、長期的な補間と補間の両方のタスクにおいて、ベースラインよりもPhy-SSMの優れたパフォーマンスを示す。 コードはhttps://github.com/511205787/Phy_SSM-ICML2025で公開されている。

関連論文リスト

• Mamba Integrated with Physics Principles Masters Long-term Chaotic System Forecasting [16.519812316626584]
  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、カオスシステムの基盤となるダイナミクスを捉える新しいフレームワークである。 提案手法により,マルチトークン予測とアトラクタ幾何正規化により,Mambaが物理過程を再現することが可能になる。 この枠組みは、気候科学、神経科学、疫学など幅広い意味を持つ、観測・監視条件下でカオスシステムを確実に予測するための新たな道を開く。
  論文  参考訳（メタデータ） (2025-05-29T08:56:45Z)
• 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)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• 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)
• Force-Guided Bridge Matching for Full-Atom Time-Coarsened Dynamics of Peptides [17.559471937824767]
  我々は、FBM(Force-Guided Bridge Matching)と呼ばれる条件付き生成モデルを提案する。 FBMはフル原子時間粗大化力学を学習し、ボルツマン制約分布を目標とする。 ペプチドからなる2つのデータセットの実験は、包括的メトリクスの観点から、我々の優位性を検証する。
  論文  参考訳（メタデータ） (2024-08-27T15:07:27Z)
• 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)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• 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)
• 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。