論文の概要: Reframing Generative Models for Physical Systems using Stochastic Interpolants

• arxiv url: http://arxiv.org/abs/2509.26282v1
• Date: Tue, 30 Sep 2025 14:02:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.160063
• Title: Reframing Generative Models for Physical Systems using Stochastic Interpolants
• Title（参考訳）: 確率補間子を用いた物理系のフレーミング生成モデル
• Authors: Anthony Zhou, Alexander Wikner, Amaury Lancelin, Pedram Hassanzadeh, Amir Barati Farimani,
• Abstract要約: 生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
• 参考スコア（独自算出の注目度）: 45.16806809746592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have recently emerged as powerful surrogates for physical systems, demonstrating increased accuracy, stability, and/or statistical fidelity. Most approaches rely on iteratively denoising a Gaussian, a choice that may not be the most effective for autoregressive prediction tasks in PDEs and dynamical systems such as climate. In this work, we benchmark generative models across diverse physical domains and tasks, and highlight the role of stochastic interpolants. By directly learning a stochastic process between current and future states, stochastic interpolants can leverage the proximity of successive physical distributions. This allows for generative models that can use fewer sampling steps and produce more accurate predictions than models relying on transporting Gaussian noise. Our experiments suggest that generative models need to balance deterministic accuracy, spectral consistency, and probabilistic calibration, and that stochastic interpolants can potentially fulfill these requirements by adjusting their sampling. This study establishes stochastic interpolants as a competitive baseline for physical emulation and gives insight into the abilities of different generative modeling frameworks.
• Abstract（参考訳）: 生成モデルは、最近、物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルのベンチマークを行い,確率的補間の役割を強調した。 現在の状態と将来の状態の間の確率過程を直接学習することにより、確率補間子は連続した物理分布の近接を利用することができる。 これにより、サンプリングステップが少なくなり、ガウスノイズの輸送に依存するモデルよりも正確な予測が得られる生成モデルが可能になる。 実験により, 生成モデルは決定論的精度, スペクトル一貫性, 確率的キャリブレーションのバランスをとる必要があり, 確率的補間剤はサンプリングを調整することでこれらの要求を満たすことができる可能性が示唆された。 本研究は、物理エミュレーションの競争基盤として確率補間剤を確立し、異なる生成モデルフレームワークの能力について考察する。

関連論文リスト

• Diffusion models for multivariate subsurface generation and efficient probabilistic inversion [0.0]
  拡散モデルは、深い生成モデリングタスクのための安定したトレーニングと最先端のパフォーマンスを提供する。 本稿では拡散モデルに固有のノイズ汚染を考慮した近似法を提案する。 統計的ロバスト性は有意に向上し, 後部確率密度関数のサンプリングが向上した。
  論文  参考訳（メタデータ） (2025-07-21T17:10:16Z)
• Physics-aware generative models for turbulent fluid flows through energy-consistent stochastic interpolants [0.0]
  生成モデルは、テキスト、画像、ビデオなどの領域で顕著な成功を収めている。 本研究では, 生成モデルの流体力学への応用, 特に乱流シミュレーションについて検討する。 本稿では,物理制約を取り入れつつ確率的予測を可能にする補間子に基づく新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:29:01Z)
• Recurrent Interpolants for Probabilistic Time Series Prediction [10.422645245061899]
  リカレントニューラルネットワークやトランスフォーマーのような逐次モデルは、確率的時系列予測の標準となっている。 近年の研究では、拡散モデルやフローベースモデルを用いて、時系列計算や予測に拡張した生成的アプローチについて検討している。 本研究は、補間剤と制御機能付き条件生成に基づく、リカレントニューラルネットワークの効率と拡散モデルの確率的モデリングを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-18T03:52:48Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Accurate generation of stochastic dynamics based on multi-model Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Networks)は、テキストや画像生成などの分野において大きな可能性を秘めている。 ここでは、格子上の原型過程に適用することにより、このアプローチを定量的に検証する。 重要なことに、ノイズにもかかわらずモデルの離散性は維持される。
  論文  参考訳（メタデータ） (2023-05-25T10:41:02Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)

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。