論文の概要: PHASE: Physics-Integrated, Heterogeneity-Aware Surrogates for Scientific Simulations
- arxiv url: http://arxiv.org/abs/2509.23453v1
- Date: Sat, 27 Sep 2025 18:50:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:19.234574
- Title: PHASE: Physics-Integrated, Heterogeneity-Aware Surrogates for Scientific Simulations
- Title（参考訳）: PHASE:科学シミュレーションのための物理と不均質を意識したサロゲート
- Authors: Dawei Gao, Dali Wang, Zhuowei Gu, Qinglei Cao, Xiao Wang, Peter Thornton, Dan Ricciuto, Yunhe Feng,
- Abstract要約: 科学シミュレーションにおける物理統合・異質性認識サロゲートのためのモジュール型ディープラーニングフレームワークPHASEを紹介する。
位相は、異種入力のためのデータ型認識エンコーダと、局所力学からグローバルシステム動作への一貫性を促進する多レベル物理ベースの制約を組み合わせる。
我々は,米国エネルギー省のE3SMランドモデル(Energy Exascale Earth System Model)の生物地球化学(BGC)スピンアップワークフロー上でPHASEを検証する。
- 参考スコア（独自算出の注目度）: 14.492366415635416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale numerical simulations underpin modern scientific discovery but remain constrained by prohibitive computational costs. AI surrogates offer acceleration, yet adoption in mission-critical settings is limited by concerns over physical plausibility, trustworthiness, and the fusion of heterogeneous data. We introduce PHASE, a modular deep-learning framework for physics-integrated, heterogeneity-aware surrogates in scientific simulations. PHASE combines data-type-aware encoders for heterogeneous inputs with multi-level physics-based constraints that promote consistency from local dynamics to global system behavior. We validate PHASE on the biogeochemical (BGC) spin-up workflow of the U.S. Department of Energy's Energy Exascale Earth System Model (E3SM) Land Model (ELM), presenting-to our knowledge-the first scientifically validated AI-accelerated solution for this task. Using only the first 20 simulation years, PHASE infers a near-equilibrium state that otherwise requires more than 1,200 years of integration, yielding an effective reduction in required integration length by at least 60x. The framework is enabled by a pipeline for fusing heterogeneous scientific data and demonstrates strong generalization to higher spatial resolutions with minimal fine-tuning. These results indicate that PHASE captures governing physical regularities rather than surface correlations, enabling practical, physically consistent acceleration of land-surface modeling and other complex scientific workflows.
- Abstract（参考訳）: 大規模数値シミュレーションは現代の科学的発見の基盤となっているが、計算コストの制限が残っている。
AIサロゲートは加速を提供するが、ミッションクリティカルな設定の採用は、物理的妥当性、信頼性、異種データの融合に関する懸念によって制限される。
科学シミュレーションにおいて、物理を組み込んだ異質性認識サロゲートのためのモジュール型ディープラーニングフレームワークPHASEを紹介する。
PHASEは、異種入力のためのデータ型認識エンコーダと、局所力学からグローバルシステム動作への一貫性を促進する多レベル物理ベースの制約を組み合わせる。
我々は,米国エネルギー省エネルギーエクサスケール地球系モデル(E3SM)ランドモデル(ELM)の生物地球化学(BGC)スピンアップワークフロー上でPHASEを検証する。
最初の20年のシミュレーションでPHASEは、1200年以上の積分を必要とするほぼ平衡状態が推測され、必要な積分長を少なくとも60倍に効果的に減少させる。
このフレームワークは異種科学データを融合するためのパイプラインによって実現され、最小限の微調整で高空間分解能への強い一般化を示す。
これらの結果から, PHASEは表面相関ではなく, 物理的規則性を把握し, 地表面モデリングや他の複雑な科学的ワークフローの実践的, 物理的に一貫した加速を可能にすることが示唆された。
関連論文リスト
- Grounding LLMs in Scientific Discovery via Embodied Actions [84.11877211907647]
大規模言語モデル (LLMs) は科学的発見に大きな可能性を示しているが、理論的推論と物理シミュレーションのギャップを埋めるのに苦労している。
EmbodiedActは、確立された科学ソフトウェアを、密着した知覚・実行ループによる実施行動の基盤化により、アクティブな実施エージェントに変換するフレームワークである。
論文 参考訳（メタデータ） (2026-02-24T07:37:18Z) - GenCP: Towards Generative Modeling Paradigm of Coupled Physics [12.60448078274613]
GenCPは、結合多物理シミュレーションのための新規で原則化された生成パラダイムである。
確率進化の空間における演算子分割理論を用いて、この「条件付き結合」サンプリングスキームの誤差制御可能性を保証する。
我々は,GenCPの知識と優れた応用性能の両立を実証するために,総合的な設定と3つの挑戦的な多分野シナリオについて,本パラダイムを評価した。
論文 参考訳（メタデータ） (2026-01-27T12:31:49Z) - PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。
静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。
高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
論文 参考訳（メタデータ） (2026-01-19T07:57:52Z) - Efficient Exploration of Chemical Kinetics [0.0]
反応速度と化学的安定性を推定することは基本的な方法であるが、大規模シミュレーションの効率的な方法は到達できないままである。
この論文は Optimal Transport Gaussian Process framework において、物理表現、統計モデル、システムアーキテクチャを共設計する全体解を提示する。
論文 参考訳（メタデータ） (2025-10-24T11:52:08Z) - A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [221.34650992288505]
科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。
この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。
我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
論文 参考訳（メタデータ） (2025-08-28T18:30:52Z) - GFocal: A Global-Focal Neural Operator for Solving PDEs on Arbitrary Geometries [5.323843026995587]
変圧器に基づくニューラル作用素は偏微分方程式に対する有望な代理解法として現れる。
本稿では,グローバルおよびローカルな特徴学習と融合を同時に実施するGFocalを提案する。
実験の結果、GFocalは6つのベンチマークのうち5つのベンチマークで平均15.2%の上昇率で最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2025-08-06T14:02:39Z) - Universal Physics Simulation: A Foundational Diffusion Approach [0.0]
境界条件データから直接物理法則を学習する普遍物理学シミュレーションのための最初の基礎的AIモデルを提案する。
本手法は,シミュレーションを条件付き生成問題として扱うことにより,計算物理を再現する。
繰り返しにわたってエラーを蓄積するシーケンシャルなタイムステッピングメソッドとは異なり、私たちのアプローチは時間的統合を完全にバイパスします。
論文 参考訳（メタデータ） (2025-07-13T18:12:34Z) - Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science [0.0]
機械学習型原子間ポテンシャルは、ほぼ第一原理の精度を提供するが、計算コストが高い。
我々は,原子間ポテンシャルを空間的に混合することによりシミュレーションを高速化するための,効率的で柔軟なLAMMPSパッケージであるML-mixを提案する。
構成空間の関連領域における「拡張的」参照と密に一致する「チープ」近似モデルを生成することができることを示す。
論文 参考訳（メタデータ） (2025-02-26T12:19:39Z) - Geometry Matters: Benchmarking Scientific ML Approaches for Flow Prediction around Complex Geometries [23.111935712144277]
複雑な幾何学体を取り巻く流体力学の迅速かつ正確なシミュレーションは、様々な工学的・科学的応用において重要である。
科学機械学習(SciML)はかなりの可能性を示してきたが、この分野のほとんどの研究は単純な幾何学に限られている。
本稿では,複雑な地形上での流動予測のための多種多様なSciMLモデルのベンチマークにより,このギャップを解消する。
論文 参考訳（メタデータ） (2024-12-31T00:23:15Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。
データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。
MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
論文 参考訳（メタデータ） (2023-06-14T21:26:31Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z)
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。