論文の概要: Breaking the Discretization Barrier of Continuous Physics Simulation Learning

• arxiv url: http://arxiv.org/abs/2509.17955v1
• Date: Mon, 22 Sep 2025 16:10:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.488248
• Title: Breaking the Discretization Barrier of Continuous Physics Simulation Learning
• Title（参考訳）: 連続物理シミュレーション学習における離散化障壁の破滅
• Authors: Fan Xu, Hao Wu, Nan Wang, Lilan Peng, Kun Wang, Wei Gong, Xibin Zhao,
• Abstract要約: 本研究では、部分的な観測から連続物理シミュレーションをモデル化する純粋にデータ駆動方式を提案する。 具体的には,空間情報と対応する観測情報を融合して符号化するために,乗法フィルタネットワークを用いる。 我々は、幾何学的グリッドをカスタマイズし、メッセージパッシング機構を使用して、元の空間領域からカスタマイズされたグリッドに特徴をマッピングする。
• 参考スコア（独自算出の注目度）: 16.740327071700268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The modeling of complicated time-evolving physical dynamics from partial observations is a long-standing challenge. Particularly, observations can be sparsely distributed in a seemingly random or unstructured manner, making it difficult to capture highly nonlinear features in a variety of scientific and engineering problems. However, existing data-driven approaches are often constrained by fixed spatial and temporal discretization. While some researchers attempt to achieve spatio-temporal continuity by designing novel strategies, they either overly rely on traditional numerical methods or fail to truly overcome the limitations imposed by discretization. To address these, we propose CoPS, a purely data-driven methods, to effectively model continuous physics simulation from partial observations. Specifically, we employ multiplicative filter network to fuse and encode spatial information with the corresponding observations. Then we customize geometric grids and use message-passing mechanism to map features from original spatial domain to the customized grids. Subsequently, CoPS models continuous-time dynamics by designing multi-scale graph ODEs, while introducing a Markov-based neural auto-correction module to assist and constrain the continuous extrapolations. Comprehensive experiments demonstrate that CoPS advances the state-of-the-art methods in space-time continuous modeling across various scenarios.
• Abstract（参考訳）: 部分的な観測から生じる複雑な時間進化物理力学のモデリングは、長年にわたる課題である。 特に、観測はランダムまたは非構造化のように見える方法でわずかに分散することができ、様々な科学的・工学的な問題において非常に非線形な特徴を捉えることは困難である。 しかし、既存のデータ駆動アプローチは、しばしば固定された空間的および時間的離散化によって制約される。 一部の研究者は、新しい戦略を設計することによって時空間連続性を達成しようとするが、従来の数値法に過度に依存するか、あるいは離散化によって課される制限を真に克服することができない。 これらの問題に対処するために,部分的な観測から連続物理シミュレーションを効果的にモデル化する,純粋にデータ駆動型手法であるCoPSを提案する。 具体的には,空間情報と対応する観測情報を融合して符号化するために,乗法フィルタネットワークを用いる。 次に、幾何学的グリッドをカスタマイズし、メッセージパッシング機構を使用して、元の空間領域からカスタマイズされたグリッドに特徴をマッピングする。 その後、CoPSはマルチスケールグラフODEを設計し、連続的な外挿を補助し制約するマルコフベースの神経自動補正モジュールを導入して、連続時間ダイナミクスをモデル化する。 総合的な実験により、CoPSは様々なシナリオにわたる時空連続モデリングにおいて最先端の手法を進歩させることを示した。

関連論文リスト

• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• 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)
• Linear Attention is Enough in Spatial-Temporal Forecasting [0.0]
  本稿では,道路ネットワークにおけるノードを独立した時空間トークンとして扱うことを提案する。 次に、それらをバニラ変換器に入力して、複雑な時空間パターンを学習します。 我々のコードは、手頃な計算コストで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-08-17T10:06:50Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Smooth and Sparse Latent Dynamics in Operator Learning with Jerk Regularization [1.621267003497711]
  本稿では,圧縮された潜在空間の学習にジャッジ正規化を組み込んだ連続演算子学習フレームワークを提案する。 このフレームワークは、任意の所望の空間的あるいは時間的解像度での推論を可能にする。 この枠組みの有効性は、ナヴィエ・ストークス方程式によって支配される二次元非定常流問題によって証明される。
  論文  参考訳（メタデータ） (2024-02-23T22:38:45Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series [18.885471782270375]
  NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。 本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。 複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
  論文  参考訳（メタデータ） (2023-01-26T18:45:04Z)
• STONet: A Neural-Operator-Driven Spatio-temporal Network [38.5696882090282]
  グラフベースのグラフ時間ニューラルネットワークは、不規則にサンプリングされた離散点間の空間依存性をモデル化するのに有効である。 本稿では,空間連続的な物理量の力学を規定するメカニズムを学習する,PDEのためのニューラル演算子に基づく時間的枠組みを提案する。 実験では,空間的連続的な物理量の予測におけるモデルの性能と,時間的不規則なデータの処理能力に優れていた。
  論文  参考訳（メタデータ） (2022-04-18T17:20:12Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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。