Fugu-MT 論文翻訳(概要): Mass Conservation on Rails -- Rethinking Physics-Informed Learning of Ice Flow Vector Fields

論文の概要: Mass Conservation on Rails -- Rethinking Physics-Informed Learning of Ice Flow Vector Fields

arxiv url: http://arxiv.org/abs/2510.06286v1
Date: Tue, 07 Oct 2025 00:41:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-09 16:41:20.098345
Title: Mass Conservation on Rails -- Rethinking Physics-Informed Learning of Ice Flow Vector Fields
Title（参考訳）: Railsの質量保存 -氷流ベクトル場の物理インフォームドラーニングを再考する
Authors: Kim Bente, Roman Marchant, Fabio Ramos,
Abstract要約: ベクトル計算のトリックによって局所的な質量保存を正確に行うニューラルネットワーク(NN)を提案する。 Byrd Glacier上での氷束上のNN, PINN, および非拘束NNの比較では, 「レール上の大量保存」の方が信頼性の高い推定値が得られることが示唆された。
参考スコア（独自算出の注目度）: 2.994635007851795
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To reliably project future sea level rise, ice sheet models require inputs that respect physics. Embedding physical principles like mass conservation into models that interpolate Antarctic ice flow vector fields from sparse & noisy measurements not only promotes physical adherence but can also improve accuracy and robustness. While physics-informed neural networks (PINNs) impose physics as soft penalties, offering flexibility but no physical guarantees, we instead propose divergence-free neural networks (dfNNs), which enforce local mass conservation exactly via a vector calculus trick. Our comparison of dfNNs, PINNs, and unconstrained NNs on ice flux interpolation over Byrd Glacier suggests that "mass conservation on rails" yields more reliable estimates, and that directional guidance, a learning strategy leveraging continent-wide satellite velocity data, boosts performance across models.
Abstract（参考訳）: 将来の海面上昇を確実に予測するためには、氷床モデルは物理学を尊重する入力を必要とする。質量保存のような物理原理を南極の氷流ベクトル場をスパースとノイズの測定から補間するモデルに組み込むことは、物理的付着を促進するだけでなく、精度と堅牢性を向上させることができる。物理インフォームドニューラルネットワーク(PINN)は物理をソフトペナルティとして課すが、柔軟性は提供されないが物理的保証はない。 byrd Glacier による氷束補間における dfNN や PINN および未拘束NN の比較では、「レール上の質量保存」はより信頼性の高い推定値となり、大陸規模の衛星速度データを活用する学習戦略である方向性誘導がモデル全体の性能を向上させることが示唆されている。

関連論文リスト

PhysE-Inv: A Physics-Encoded Inverse Modeling approach for Arctic Snow Depth Prediction [0.16206783799607727]
本稿では,高度なシーケンシャルアーキテクチャ,マルチヘッドアテンションと物理誘導型コントラスト学習を備えたLSTMデコーダ,物理誘導型推論を統合した新しいフレームワークであるPhysE-Invを紹介する。 PhysE-Invは予測性能を大幅に改善し、エラーを20%削減すると同時に、経験的手法と比較して、データの分散性に優れた物理的一貫性とレジリエンスを示す。このアプローチは、地空間および低温領域で広く適用可能な、耐雑音性、解釈可能な逆モデリングのための経路を開拓する。
論文参考訳（メタデータ） (2026-01-23T00:43:51Z)
Physics-Informed Spiking Neural Networks via Conservative Flux Quantization [6.328961717118723]
物理インフォームドニューラルネットワーク(PINN)は、データ駆動学習と物理に基づく制約を組み合わせることで、モデルの予測が基礎となる物理原理と一致することを保証する。 PINNはエネルギー集約的であり、物理的保存法を厳格に強制するのに苦労している。本稿では,新しい物理インフォームドスパイキングニューラルネットワーク(PISNN)フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-26T13:35:50Z)
Prediction of Sea Ice Velocity and Concentration in the Arctic Ocean using Physics-informed Neural Network [0.0]
我々は,海氷の物理知識を機械学習モデルに統合するための物理情報ニューラルネットワーク(PINN)戦略を開発した。我々のPINNモデルは、海氷速度(SIV)と海氷濃度(SIC)の予測において、完全なデータ駆動モデルよりも優れている。 PINNのアプローチは、特に融解期と早期凍結期および高速で動く氷地域におけるSIC予測を改善する。
論文参考訳（メタデータ） (2025-10-20T17:10:01Z)
Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences [1.740114131842074]
正確な船舶軌道予測は、航行安全、経路最適化、交通管理、捜索・救助活動、自律航法に不可欠である。従来のデータ駆動モデルは現実世界の物理的な制約を欠いているため、船体の運動力学に反する予測が導かれる。本稿では, 血管運動の流線形運動モデルとニューラルネットワーク学習プロセスを統合した, 軌道予測のための物理情報ニューラルネットワーク (PINN) 手法を提案する。
論文参考訳（メタデータ） (2025-05-22T15:09:25Z)
Riemann Tensor Neural Networks: Learning Conservative Systems with Physics-Constrained Networks [1.1879716317856948]
微分自由対称テンソル(DFST)は連続体力学において基本的なものである。本稿では,DFST条件をマシン精度に本質的に満足する新しいニューラルアーキテクチャを提案する。この研究は、ニューラルPDEサロゲートの誘導バイアスとしてDFSTを使った最初のものである。
論文参考訳（メタデータ） (2025-03-02T06:24:16Z)
On the importance of learning non-local dynamics for stable data-driven climate modeling: A 1D gravity wave-QBO testbed [0.0]
機械学習(ML)技術は、気候モデルのためのサブグリッドスケールパラメータ化の学習において有望であることを示している。しかし、データ駆動パラメータ化の大きな問題はモデル不安定性である。ここでは、ML理論と気候物理を組み合わせて、NNベースのパラメータ化における不安定性の源となる問題に対処する。
論文参考訳（メタデータ） (2024-07-07T01:15:52Z)
Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文参考訳（メタデータ） (2024-02-11T17:40:26Z)
Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文参考訳（メタデータ） (2023-07-27T06:59:46Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
SPIDE: A Purely Spike-based Method for Training Feedback Spiking Neural Networks [56.35403810762512]
イベントベースの計算を伴うスパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェアにおけるエネルギー効率の高い応用のために、脳にインスパイアされたモデルを約束している。本研究では,最近提案されたトレーニング手法を拡張した平衡状態(SPIDE)に対するスパイクに基づく暗黙差分法について検討した。
論文参考訳（メタデータ） (2023-02-01T04:22:59Z)
Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-07-16T12:56:09Z)
ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文参考訳（メタデータ） (2021-03-02T03:09:06Z)
Learning Unknown Physics of non-Newtonian Fluids [56.9557910899739]
我々は,2つの非ニュートン系の粘度モデルを学ぶために,物理インフォームドニューラルネットワーク(PINN)法を拡張した。 PINNで推論された粘度モデルは、絶対値が大きいが、せん断速度が0に近い場合の実験的モデルと一致する。 PINN法を用いて,境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。
論文参考訳（メタデータ） (2020-08-26T20:41:36Z)

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。