論文の概要: Bridging the Physics-Data Gap with FNO-Guided Conditional Flow Matching: Designing Inductive Bias through Hierarchical Physical Constraints

• arxiv url: http://arxiv.org/abs/2510.08295v1
• Date: Thu, 09 Oct 2025 14:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.141
• Title: Bridging the Physics-Data Gap with FNO-Guided Conditional Flow Matching: Designing Inductive Bias through Hierarchical Physical Constraints
• Title（参考訳）: FNO誘導条件付き流れマッチングによる物理データギャップのブリッジ:階層的物理制約による誘導バイアスの設計
• Authors: Tsuyoshi Okita,
• Abstract要約: 時系列生成は、しばしばドメイン固有の物理的制約を無視し、統計的および物理的一貫性を制限する。 本研究では, 物理法則, 力学, 境界, 経験的関係の階層構造を, 直接的に深層生成モデルに組み込む階層的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 2.0013177824602444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional time-series generation often ignores domain-specific physical constraints, limiting statistical and physical consistency. We propose a hierarchical framework that embeds the inherent hierarchy of physical laws-conservation, dynamics, boundary, and empirical relations-directly into deep generative models, introducing a new paradigm of physics-informed inductive bias. Our method combines Fourier Neural Operators (FNOs) for learning physical operators with Conditional Flow Matching (CFM) for probabilistic generation, integrated via time-dependent hierarchical constraints and FNO-guided corrections. Experiments on harmonic oscillators, human activity recognition, and lithium-ion battery degradation show 16.3% higher generation quality, 46% fewer physics violations, and 18.5% improved predictive accuracy over baselines.
• Abstract（参考訳）: 従来の時系列生成は、統計的および物理的整合性を制限するため、ドメイン固有の物理的制約を無視することが多い。 本研究では, 物理法則, 力学, 境界, 経験的関係の階層構造を, 直接的に深部生成モデルに組み込む階層的枠組みを提案する。 本手法は,物理演算子を学習するためのフーリエニューラル演算子(FNO)と,確率的生成のための条件付きフローマッチング(CFM)を組み合わせ,時間依存階層制約とFNO誘導補正によって統合する。 ハーモニック発振器、人間の活動認識、リチウムイオン電池劣化の実験では、生成品質が16.3%向上し、物理違反が46%減少し、18.5%がベースラインよりも予測精度が向上した。

関連論文リスト

• PIRF: Physics-Informed Reward Fine-Tuning for Diffusion Models [11.791955441600825]
  物理インフォームド生成をスパース報酬最適化問題とし、物理制約の順守を報酬信号として扱う。 我々は、軌道レベルの報酬を計算し、それらの勾配を直接バックプロパゲートすることで、値近似を回避できる物理インフォームド・リワード微調整(PIRF)を導入する。 PIRFは、効率的なサンプリング体制下での優れた物理強制を一貫して達成し、科学的生成モデリングの進歩に対する報酬の微調整の可能性を強調している。
  論文  参考訳（メタデータ） (2025-09-24T21:23:03Z)
• Physics-Constrained Fine-Tuning of Flow-Matching Models for Generation and Inverse Problems [3.3811247908085855]
  本稿では、物理制約を強制し、科学的システムにおける逆問題を解決するための微調整フローマッチング生成モデルの枠組みを提案する。 我々のアプローチは、生成的モデリングと科学的推論を橋渡し、シミュレーション強化された発見と物理システムのデータ効率のモデリングのための新たな道を開く。
  論文  参考訳（メタデータ） (2025-08-05T09:32:04Z)
• 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)
• Physics-Based Machine Learning Closures and Wall Models for Hypersonic Transition-Continuum Boundary Layer Predictions [0.9320657506524149]
  我々は、輸送モデルと境界条件を強化する物理制約付き機械学習フレームワークを開発する。 この2次元超音速平板流れをマッハ数とクヌーゼン数で評価した。 その結果,スキュート・ガウス分布関数壁モデルと組み合わせた無微量異方性粘度モデルにより,精度が大幅に向上した。
  論文  参考訳（メタデータ） (2025-07-11T19:40:00Z)
• Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation [21.321570407292263]
  本稿では,PDE残差と代数的関係の両方の物理制約をフローマッチングの対象に組み込む生成フレームワークである物理ベースフローマッチングを提案する。 提案手法では,FMよりも高精度な物理残差を最大8倍に抑えながら,分布精度では既存アルゴリズムよりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T09:13:37Z)
• Physics-Constrained Flow Matching: Sampling Generative Models with Hard Constraints [0.6990493129893112]
  最近、偏微分方程式(PDE)によって支配される物理系に深部生成モデルが適用されている。 既存の手法は、厳しい制約を保証できないような、ソフトな罰則やアーキテクチャ上の偏見に頼っていることが多い。 本研究では,事前学習フローベース生成モデルにおける任意の非線形制約を強制するゼロショット推論フレームワークである物理制約フローマッチングを提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:12:37Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• 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)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。