論文の概要: FieldFormer: Physics-Informed Transformers for Spatio-Temporal Field Reconstruction from Sparse Sensors
- arxiv url: http://arxiv.org/abs/2510.03589v1
- Date: Sat, 04 Oct 2025 00:37:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:59.136527
- Title: FieldFormer: Physics-Informed Transformers for Spatio-Temporal Field Reconstruction from Sparse Sensors
- Title（参考訳）: FieldFormer: スパースセンサによる時空間場再構成のための物理インフォームドトランス
- Authors: Ankit Bhardwaj, Ananth Balashankar, Lakshminarayanan Subramanian,
- Abstract要約: 本研究では、メッシュフリー時間フィールド再構築のためのトランスフォーマーベースのフレームワークであるFieldFormerを紹介する。
各クエリに対して、FieldFormerは学習可能なベロシティスケール距離メトリックを使用して、ローカルエリアを収集する。
本研究では,フィールドフォーマーの精度(RMSE$10-2$)と,スパース(0.4%-2%)とノイズ(10%)データから効率よく,物理的に一貫したフィールド再構成を可能にすることを示す。
- 参考スコア（独自算出の注目度）: 4.027064713296126
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatio-temporal sensor data is often sparse, noisy, and irregular, and existing interpolation or learning methods struggle here because they either ignore governing PDEs or do not scale. We introduce FieldFormer, a transformer-based framework for mesh-free spatio-temporal field reconstruction that combines data-driven flexibility with physics-based structure. For each query, FieldFormer gathers a local neighborhood using a learnable velocity-scaled distance metric, enabling anisotropic adaptation to different propagation regimes. Neighborhoods are built efficiently via per-batch offset recomputation, and refined in an expectation-maximization style as the velocity scales evolve. Predictions are made by a local transformer encoder, and physics consistency is enforced through autograd-based PDE residuals and boundary-specific penalties. Across three benchmarks--a scalar anisotropic heat equation, a vector-valued shallow-water system, and a realistic advection-diffusion pollution simulation--FieldFormer consistently outperforms strong baselines by more than 40%. Our results demonstrate that FieldFormer enables accurate (RMSE$<10^{-2}$), efficient, and physically consistent field reconstruction from sparse (0.4%-2%) and noisy(10%) data.
- Abstract（参考訳）: 時空間センサデータは、しばしばスパース、ノイズ、不規則であり、既存の補間や学習方法は、PDEを無視するか、スケールしないため、ここでは困難である。
本研究では、データ駆動型柔軟性と物理に基づく構造を組み合わせたメッシュフリー時空間再構成のためのトランスフォーマーベースのフレームワークであるFieldFormerを紹介する。
各クエリに対して、FieldFormerは学習可能な速度スケール距離メトリックを使用して局所的な近傍を収集し、異なる伝搬状態への異方性適応を可能にする。
近隣はバッチ毎のオフセット再計算によって効率的に構築され、速度スケールが進化するにつれて期待最大化方式で洗練される。
予測は局所変圧器エンコーダで行われ、物理の整合性は、オートグレードベースのPDE残差と境界固有の罰則によって強制される。
3つのベンチマーク-スカラー異方性熱方程式、ベクトル値浅層水系、および現実的な対流拡散汚染シミュレーション--FieldFormerは一貫して強いベースラインを40%以上上回っている。
以上の結果から, FieldFormer は精度 (RMSE$<10^{-2}$) , 疎 (0.4%-2%) と雑音 (10%) のデータから効率よく, 物理的に一貫したフィールド再構成を可能にすることを示した。
関連論文リスト
- APML: Adaptive Probabilistic Matching Loss for Robust 3D Point Cloud Reconstruction [16.82777427285544]
点クラウド予測タスクのためのディープラーニングモデルのトレーニングは、予測点と接地真実点の差を測定する損失関数に大きく依存する。
本稿では,一対一マッチングの完全微分可能近似である適応確率マッチング損失(APML)を提案する。
温度を解析的に計算して最小限の確率を保証し、手動チューニングを除去する。
論文 参考訳（メタデータ） (2025-09-09T19:31:06Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - Radar-Guided Polynomial Fitting for Metric Depth Estimation [10.901638730547452]
POLARはレーダー誘導深度推定法である。
スケールレス深度予測を、事前訓練された単眼深度推定(MDE)モデルからメートル法深度マップに変換する。
3つのデータセットにわたる最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-03-21T14:29:42Z) - DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。
DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
論文 参考訳（メタデータ） (2025-01-08T09:08:24Z) - Efficient and generalizable nested Fourier-DeepONet for three-dimensional geological carbon sequestration [5.77922305904338]
データ駆動機械学習を用いた代理モデリングは、物理学に基づくシミュレーションを加速する上で有望な代替手段となっている。
我々は、FNOの表現性と深層演算ネットワーク(DeepONet)のモジュラリティを組み合わせることにより、ネストしたフーリエ・ディープONetを開発した。
この新しいフレームワークは、トレーニング用のネストされたFNOの2倍効率が高く、少なくとも80%低いGPUメモリを必要とする。
論文 参考訳（メタデータ） (2024-09-25T02:58:45Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via
Self-Supervision [85.17951804790515]
EmerNeRFは動的駆動シーンの時空間表現を学習するためのシンプルだが強力なアプローチである。
シーンの幾何学、外観、動き、セマンティクスを自己ブートストラップで同時にキャプチャする。
本手法はセンサシミュレーションにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2023-11-03T17:59:55Z) - A parsimonious, computationally efficient machine learning method for
spatial regression [0.0]
本研究では,空間的・時間的回帰のための物理的にインスパイアされた機械学習手法であるMPRS(Modified Planar rotator Method)を導入する。
MPRSは非パラメトリックモデルであり、基礎となる確率分布の特定の形式を仮定することなく、短距離、距離依存相互作用による空間的あるいは時間的相関を組み込む。
論文 参考訳（メタデータ） (2023-09-28T13:57:36Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳（メタデータ） (2022-06-28T12:43:38Z) - Data-driven Full-waveform Inversion Surrogate using Conditional
Generative Adversarial Networks [0.0]
フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。
本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
論文 参考訳（メタデータ） (2021-04-30T21:41:24Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z)
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。