論文の概要: Unified Spatiotemporal Physics-Informed Learning (USPIL): A Framework for Modeling Complex Predator-Prey Dynamics

• arxiv url: http://arxiv.org/abs/2509.13425v2
• Date: Thu, 18 Sep 2025 04:37:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 13:12:58.945734
• Title: Unified Spatiotemporal Physics-Informed Learning (USPIL): A Framework for Modeling Complex Predator-Prey Dynamics
• Title（参考訳）: 統合時空間物理インフォームドラーニング(USPIL: Unified Spatiotemporal Physics-Informed Learning) : 複雑な捕食者・捕食者のダイナミクスをモデル化するためのフレームワーク
• Authors: Julian Evan Chrisnanto, Yulison Herry Chrisnanto, Ferry Faizal,
• Abstract要約: エコロジーシステムは、従来のモデリングに挑戦する複雑なマルチスケールのダイナミクスを示す。 新しい方法は、保存原則に固執しながら、時間的振動と創発的なパターンを捉える必要がある。 本稿では,物理インフォームドニューラルネットワークを統合したディープラーニングアーキテクチャであるUnified Stemporal Physics-Intemporal Learningフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ecological systems exhibit complex multi-scale dynamics that challenge traditional modeling. New methods must capture temporal oscillations and emergent spatiotemporal patterns while adhering to conservation principles. We present the Unified Spatiotemporal Physics-Informed Learning (USPIL) framework, a deep learning architecture integrating physics-informed neural networks (PINNs) and conservation laws to model predator-prey dynamics across dimensional scales. The framework provides a unified solution for both ordinary (ODE) and partial (PDE) differential equation systems, describing temporal cycles and reaction-diffusion patterns within a single neural network architecture. Our methodology uses automatic differentiation to enforce physics constraints and adaptive loss weighting to balance data fidelity with physical consistency. Applied to the Lotka-Volterra system, USPIL achieves 98.9% correlation for 1D temporal dynamics (loss: 0.0219, MAE: 0.0184) and captures complex spiral waves in 2D systems (loss: 4.7656, pattern correlation: 0.94). Validation confirms conservation law adherence within 0.5% and shows a 10-50x computational speedup for inference compared to numerical solvers. USPIL also enables mechanistic understanding through interpretable physics constraints, facilitating parameter discovery and sensitivity analysis not possible with purely data-driven methods. Its ability to transition between dimensional formulations opens new avenues for multi-scale ecological modeling. These capabilities make USPIL a transformative tool for ecological forecasting, conservation planning, and understanding ecosystem resilience, establishing physics-informed deep learning as a powerful and scientifically rigorous paradigm.
• Abstract（参考訳）: エコロジーシステムは、従来のモデリングに挑戦する複雑なマルチスケールのダイナミクスを示す。 新しい方法は、保護原則に固執しながら、時間的振動と創発的な時空間パターンを捉える必要がある。 本稿では,物理インフォームドニューラルネットワーク(PINN)を統合したディープラーニングアーキテクチャである統一時空間物理インフォームドラーニング(USPIL)フレームワークについて述べる。 このフレームワークは、通常の(ODE)と部分的な(PDE)微分方程式系の両方に統一されたソリューションを提供し、単一のニューラルネットワークアーキテクチャ内の時間周期と反応拡散パターンを記述する。 本手法は,物理制約と適応損失重み付けを強制するために自動微分を用いて,データの忠実度と物理的整合性のバランスをとる。 ロトカ・ボルテラ系に適用すると、USPILは1次元時間力学の98.9%の相関(損失:0.0219, MAE:0.0184)を達成し、2次元系の複雑なスパイラル波(損失:4.7656, パターン相関:0.94)を捕捉する。 検証は0.5%以内の保存法則の遵守を確認し、数値解法と比較して推測の10-50倍の高速化を示す。 USPILはまた、解釈可能な物理制約を通じて機械的理解を可能にし、純粋にデータ駆動手法では不可能なパラメータ発見と感度解析を容易にする。 次元の定式化間で遷移する能力は、マルチスケールの生態モデルのための新しい道を開く。 これらの能力により、USPILは生態学的予測、保全計画、生態系の弾力性を理解するための変革的なツールとなり、物理インフォームドなディープラーニングを強力で科学的に厳格なパラダイムとして確立した。

関連論文リスト

• Thermodynamically Consistent Latent Dynamics Identification for Parametric Systems [3.2269712414573197]
  パラメトリック非線形力学系の低次モデリングのための効率的な熱力学インフォームド潜在空間力学同定(tLa)フレームワークを提案する。 このフレームワークは、新たに開発されたパラメトリックジェネリックフォーマリズムインフォームドニューラルネットワーク(pGFINN)と、次元減少のためのオートエンコーダを統合している。 提案手法は,1-3%の相対誤差で最大3,528倍の高速化を実現し,トレーニングと推論の大幅な削減(57-61%)を行った。
  論文  参考訳（メタデータ） (2025-06-10T06:02:36Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• Physics-Informed Latent Neural Operator for Real-time Predictions of Complex Physical Systems [0.0]
  本稿では,制御物理を直接学習プロセスに統合する物理インフォームトニューラルネットワークフレームワークPI-Latent-NOを提案する。 私たちのアーキテクチャでは、ソリューションの低次元表現を学習するLatent-DeepONetと、この遅延表現を物理空間にマッピングするRestruction-DeepONetという、2つの結合したDeepONetsトレーニングのエンドツーエンドが特徴です。
  論文  参考訳（メタデータ） (2025-01-14T20:38:30Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
  我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。 我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。 PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-02T08:54:18Z)
• Adapting Physics-Informed Neural Networks to Improve ODE Optimization in Mosquito Population Dynamics [0.019972837513980313]
  本稿では,ODE システムの前方および逆問題に対していくつかの改良を加えた PINN フレームワークを提案する。 この枠組みは、蚊の常微分方程式によって生じる勾配不均衡と硬い問題に取り組む。 予備的な結果は、物理インフォームド機械学習が生態システムの研究を前進させる大きな可能性を秘めていることを示している。
  論文  参考訳（メタデータ） (2024-06-07T17:40:38Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• 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)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• 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)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。