論文の概要: Merging Memory and Space: A Spatiotemporal State Space Neural Operator

• arxiv url: http://arxiv.org/abs/2507.23428v1
• Date: Thu, 31 Jul 2025 11:09:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.609811
• Title: Merging Memory and Space: A Spatiotemporal State Space Neural Operator
• Title（参考訳）: 記憶と空間の融合:時空間空間ニューラル演算子
• Authors: Nodens F. Koren, Samuel Lanthaler,
• Abstract要約: ST-SSMは時間依存偏微分方程式の解演算子を学習するためのコンパクトなアーキテクチャである。 s とニューラル作用素の間に理論的な関係が確立され、結果として生じるアーキテクチャのクラスに対して統一的な定理が証明される。 本結果は,PDEモデリングにおける次元分解演算子学習の利点を浮き彫りにしたものである。
• 参考スコア（独自算出の注目度）: 2.0104149319910767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the Spatiotemporal State Space Neural Operator (ST-SSM), a compact architecture for learning solution operators of time-dependent partial differential equations (PDEs). ST-SSM introduces a novel factorization of the spatial and temporal dimensions, using structured state-space models to independently model temporal evolution and spatial interactions. This design enables parameter efficiency and flexible modeling of long-range spatiotemporal dynamics. A theoretical connection is established between SSMs and neural operators, and a unified universality theorem is proved for the resulting class of architectures. Empirically, we demonstrate that our factorized formulation outperforms alternative schemes such as zigzag scanning and parallel independent processing on several PDE benchmarks, including 1D Burgers' equation, 1D Kuramoto-Sivashinsky equation, and 2D Navier-Stokes equations under varying physical conditions. Our model performs competitively with existing baselines while using significantly fewer parameters. In addition, our results reinforce previous findings on the benefits of temporal memory by showing improved performance under partial observability. Our results highlight the advantages of dimensionally factorized operator learning for efficient and generalizable PDE modeling, and put this approach on a firm theoretical footing.
• Abstract（参考訳）: 本稿では、時間依存偏微分方程式(PDE)の解演算子を学習するためのコンパクトなアーキテクチャである時空間空間ニューラル演算子(ST-SSM)を提案する。 ST-SSMは、時間的進化と空間的相互作用を独立にモデル化するために構造化された状態空間モデルを用いて、空間的次元と時間的次元の新たな分解を導入する。 この設計により、パラメータ効率と長期時空間力学の柔軟なモデリングが可能となる。 SSMとニューラル作用素の間に理論的な関係が確立され、結果として生じるアーキテクチャのクラスに対して統一的普遍性定理が証明される。 実験により,Zigzagスキャニングや並列独立処理などの代替手法を1D Burgers方程式,1D Kuramoto-Sivashinsky方程式,および2D Navier-Stokes方程式など,PDEベンチマーク上で実現した。 我々のモデルは、パラメータを著しく少なくしながら、既存のベースラインと競合する。 また, 時間記憶の利点に関する過去の知見を, 部分可観測性による性能改善を図り, 強化した。 本結果は,PDEモデリングの効率的かつ一般化可能な次元分解演算子学習の利点を浮き彫りにして,このアプローチをしっかりとした理論的基盤に置いている。

関連論文リスト

• Neural Dynamical Operator: Continuous Spatial-Temporal Model with Gradient-Based and Derivative-Free Optimization Methods [0.0]
  本稿では、空間と時間の両方で連続的なニューラルダイナミクス演算子と呼ばれるデータ駆動モデリングフレームワークを提案する。 神経力学演算子の鍵となる特徴は、空間的および時間的離散化の両方に関して分解能不変性である。 提案手法は,ハイブリッド最適化方式により,より長期統計量の予測が可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-20T14:31:18Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Learning Space-Time Continuous Neural PDEs from Partially Observed States [13.01244901400942]
  格子独立モデル学習偏微分方程式(PDE)を雑音および不規則格子上の部分的な観測から導入する。 本稿では、効率的な確率的フレームワークとデータ効率とグリッド独立性を改善するための新しい設計エンコーダを備えた時空間連続型ニューラルネットワークPDEモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-09T06:53:59Z)
• Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
  我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。 数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
  論文  参考訳（メタデータ） (2023-01-30T04:58:40Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。