論文の概要: Equilibrium flow: From Snapshots to Dynamics
- arxiv url: http://arxiv.org/abs/2509.17990v1
- Date: Mon, 22 Sep 2025 16:33:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.504236
- Title: Equilibrium flow: From Snapshots to Dynamics
- Title（参考訳）: 平衡流:スナップショットからダイナミクスへ
- Authors: Yanbo Zhang, Michael Levin,
- Abstract要約: 本稿では,パターン分布を保存する連続力学を学習するフレームワークであるEquilibrium Flow法を紹介する。
グレイ・スコットモデルからの高次元チューリングパターンに対して、基底真理に対する高い忠実性を達成するための効率的で訓練のない変種を開発する。
この能力は既知のシステムの回復を超えて拡張され、人工生命のための逆設計の新しいパラダイムが実現された。
- 参考スコア（独自算出の注目度）: 4.741100658955037
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Scientific data, from cellular snapshots in biology to celestial distributions in cosmology, often consists of static patterns from underlying dynamical systems. These snapshots, while lacking temporal ordering, implicitly encode the processes that preserve them. This work investigates how strongly such a distribution constrains its underlying dynamics and how to recover them. We introduce the Equilibrium flow method, a framework that learns continuous dynamics that preserve a given pattern distribution. Our method successfully identifies plausible dynamics for 2-D systems and recovers the signature chaotic behavior of the Lorenz attractor. For high-dimensional Turing patterns from the Gray-Scott model, we develop an efficient, training-free variant that achieves high fidelity to the ground truth, validated both quantitatively and qualitatively. Our analysis reveals the solution space is constrained not only by the data but also by the learning model's inductive biases. This capability extends beyond recovering known systems, enabling a new paradigm of inverse design for Artificial Life. By specifying a target pattern distribution, we can discover the local interaction rules that preserve it, leading to the spontaneous emergence of complex behaviors, such as life-like flocking, attraction, and repulsion patterns, from simple, user-defined snapshots.
- Abstract（参考訳）: 生物学の細胞スナップショットから宇宙論の天体分布まで、科学的なデータは、しばしば基礎となる力学系の静的なパターンで構成されている。
これらのスナップショットは、時間的順序を欠いているが、それらを保存するプロセスを暗黙的にエンコードする。
この研究は、そのような分布がその基礎となる力学をいかに強く制約するか、どのように回復するかを考察する。
本稿では,パターン分布を保存する連続力学を学習するフレームワークであるEquilibrium Flow法を紹介する。
提案手法は,2次元システムにおける可塑性力学の同定に成功し,ロレンツ誘引器の符号カオス挙動を復元する。
グレイ・スコットモデルからの高次元チューリングパターンに対しては, 定量的かつ定性的に検証した, 基底真理に対する高い忠実性を実現する, 効率的で訓練のない変種を開発する。
我々の分析によると、解空間はデータだけでなく学習モデルの帰納バイアスにも制約されている。
この能力は既知のシステムの回復を超えて拡張され、人工生命のための逆設計の新しいパラダイムが実現された。
ターゲットパターンの分布を指定することによって、それを保存する局所的な相互作用ルールを発見し、単純でユーザ定義のスナップショットから、ライフライクな群れ、アトラクション、反発パターンなどの複雑な行動が自然に出現する。
関連論文リスト
- Data-driven particle dynamics: Structure-preserving coarse-graining for emergent behavior in non-equilibrium systems [0.8796261172196743]
短周期スケールは創発的なバルク物理学と適切に結び付けられなければならないため、マルチスケールシステムはシミュレートが難しいことが知られている。
熱力学の第一法則と第二法則の離散的な概念を保存したメチトレクティックブラケット形式を用いた枠組みを提案する。
我々はPyTorchとLAMMPSの両方でオープンソース実装を提供し、様々な粒子ベースシステムへの大規模推論と再配置を可能にする。
論文 参考訳（メタデータ） (2025-08-18T02:10:18Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。
科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
論文 参考訳（メタデータ） (2025-03-02T16:10:32Z) - Identifiable Representation and Model Learning for Latent Dynamic Systems [0.0]
本稿では,潜在力学系における表現とモデル学習の問題について検討する。
線形およびアフィン非線形潜時力学系にスパース入力行列を持つ場合、潜時変数をスケーリングまで同定できることを証明した。
論文 参考訳（メタデータ） (2024-10-23T13:55:42Z) - Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。
物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。
本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
論文 参考訳（メタデータ） (2023-04-25T15:53:45Z) - Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。
提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文 参考訳（メタデータ） (2023-01-27T12:38:09Z) - Discovering dynamical features of Hodgkin-Huxley-type model of
physiological neuron using artificial neural network [0.0]
2つの高速かつ1つの遅い変数を持つHodgkin-Huxley型システムを考える。
これら2つのシステムでは、そのダイナミクスを再現できる人工ニューラルネットワークを作成します。
ビスタブルモデルでは、トレーニング中に見ずに、あるソリューションのブランチでのみトレーニングされたネットワークが、別のネットワークを回復することを意味する。
論文 参考訳（メタデータ） (2022-03-26T19:04:19Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - The entanglement membrane in chaotic many-body systems [0.0]
ある種の解析的抽出可能な量子カオスシステムでは、時間外相関関数の計算、クエンチ後の絡み合いエントロピー、その他の関連する動的可観測物は、時空における絡み合い膜の効果的な理論に還元される。
ここでは、ランダムなユニタリ平均を含まない、より現実的なモデルでこの膜を理解する方法を示す。
論文 参考訳（メタデータ） (2019-12-27T19:01:13Z)
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。