論文の概要: PAINT: Parallel-in-time Neural Twins for Dynamical System Reconstruction

• arxiv url: http://arxiv.org/abs/2510.16004v1
• Date: Tue, 14 Oct 2025 14:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.764874
• Title: PAINT: Parallel-in-time Neural Twins for Dynamical System Reconstruction
• Title（参考訳）: PAINT:Parallel-in-time Neural Twinsによる動的システム再構築
• Authors: Andreas Radler, Vincent Seyfried, Stefan Pirker, Johannes Brandstetter, Thomas Lichtenegger,
• Abstract要約: 我々はニューラルツインを、実際のシステムのデジタルレプリカを作成することを目的として、ニューラルサロゲートの進歩として想定する。 神経双生児はテスト時に測定値を消費して状態を更新し、コンテキスト固有の意思決定を可能にする。 本稿では,動的システムを計測からモデル化するためのアーキテクチャに依存しない手法であるParallel-in-time Neural Twins (PAINT)を紹介する。
• 参考スコア（独自算出の注目度）: 18.322536839966393
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Neural surrogates have shown great potential in simulating dynamical systems, while offering real-time capabilities. We envision Neural Twins as a progression of neural surrogates, aiming to create digital replicas of real systems. A neural twin consumes measurements at test time to update its state, thereby enabling context-specific decision-making. A critical property of neural twins is their ability to remain on-trajectory, i.e., to stay close to the true system state over time. We introduce Parallel-in-time Neural Twins (PAINT), an architecture-agnostic family of methods for modeling dynamical systems from measurements. PAINT trains a generative neural network to model the distribution of states parallel over time. At test time, states are predicted from measurements in a sliding window fashion. Our theoretical analysis shows that PAINT is on-trajectory, whereas autoregressive models generally are not. Empirically, we evaluate our method on a challenging two-dimensional turbulent fluid dynamics problem. The results demonstrate that PAINT stays on-trajectory and predicts system states from sparse measurements with high fidelity. These findings underscore PAINT's potential for developing neural twins that stay on-trajectory, enabling more accurate state estimation and decision-making.
• Abstract（参考訳）: ニューラルサロゲートは、リアルタイム機能を提供しながら、動的システムをシミュレートする大きな可能性を示している。 我々はニューラルツインを、実際のシステムのデジタルレプリカを作成することを目的として、ニューラルサロゲートの進歩として想定する。 神経双生児はテスト時に測定値を消費して状態を更新し、コンテキスト固有の意思決定を可能にする。 ニューラルツインの重要な性質は、軌道上に留まる能力、すなわち時間とともに真の系状態に近づき続ける能力である。 本稿では,動的システムを計測からモデル化するためのアーキテクチャに依存しない手法であるParallel-in-time Neural Twins (PAINT)を紹介する。 PAINTは生成ニューラルネットワークをトレーニングし、時間とともに並列な状態の分布をモデル化する。 テスト時、状態はスライディングウィンドウ方式で測定から予測される。 我々の理論的分析はPAINTが軌道上にあることを示しているが、自己回帰モデルは一般的にはそうではない。 実験的に2次元乱流力学問題において,本手法の評価を行った。 その結果,PAINTは軌道上に留まり,高忠実度でのスパース測定からシステム状態を予測することができた。 これらの知見は、PAINTが軌道上に留まり、より正確な状態推定と意思決定を可能にするニューラルツインを開発する可能性を示している。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• 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)
• 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)
• Temporal Conditioning Spiking Latent Variable Models of the Neural Response to Natural Visual Scenes [29.592870472342337]
  本研究は, 時間条件付潜時変動モデル(TeCoS-LVM)を提示し, 自然視覚刺激に対する神経応答をシミュレートする。 スパイクニューロンを使用して、記録された列車と直接一致するスパイク出力を生成します。 我々は,TeCoS-LVMモデルにより,よりリアルなスパイク活動が生成され,強力な代替手段よりも正確なスパイク統計に適合することを示す。
  論文  参考訳（メタデータ） (2023-06-21T06:30:18Z)
• Newton-Cotes Graph Neural Networks: On the Time Evolution of Dynamic Systems [49.50674348130157]
  本稿では,ニュートン・コーツの公式を用いた速度推定に基づく積分の予測手法を提案する。 いくつかのベンチマークの実験は、最先端の手法と比較して、一貫性と顕著な改善を実証的に示している。
  論文  参考訳（メタデータ） (2023-05-24T02:23:00Z)
• Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
  我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。 強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
  論文  参考訳（メタデータ） (2021-07-06T17:59:49Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)

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。