論文の概要: A PDE-Informed Latent Diffusion Model for 2-m Temperature Downscaling

• arxiv url: http://arxiv.org/abs/2510.23866v1
• Date: Mon, 27 Oct 2025 21:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.518384
• Title: A PDE-Informed Latent Diffusion Model for 2-m Temperature Downscaling
• Title（参考訳）: 温度2mダウンスケーリングのためのPDEインフォームト潜時拡散モデル
• Authors: Paul Rosu, Muchang Bahng, Erick Jiang, Rico Zhu, Vahid Tarokh,
• Abstract要約: 本研究は,大気データの動的ダウンスケーリングに適した物理条件付き潜在拡散モデルを提案する。 既存の拡散アーキテクチャに基づいて、モデルの学習目標に偏微分方程式(PDE)損失項を統合する。 この追加損失による微調整がモデルをさらに規則化し、生成したフィールドの物理的妥当性を高めるかを検討する。
• 参考スコア（独自算出の注目度）: 14.475761134288573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a physics-conditioned latent diffusion model tailored for dynamical downscaling of atmospheric data, with a focus on reconstructing high-resolution 2-m temperature fields. Building upon a pre-existing diffusion architecture and employing a residual formulation against a reference UNet, we integrate a partial differential equation (PDE) loss term into the model's training objective. The PDE loss is computed in the full resolution (pixel) space by decoding the latent representation and is designed to enforce physical consistency through a finite-difference approximation of an effective advection-diffusion balance. Empirical observations indicate that conventional diffusion training already yields low PDE residuals, and we investigate how fine-tuning with this additional loss further regularizes the model and enhances the physical plausibility of the generated fields. The entirety of our codebase is available on Github, for future reference and development.
• Abstract（参考訳）: 本研究は,高分解能2m温度場の再構成に焦点をあて,大気データの動的ダウンスケーリングに適した物理条件付き潜伏拡散モデルを提案する。 既存の拡散アーキテクチャ上に構築し、参照UNetに対して残留的な定式化を適用することにより、偏微分方程式(PDE)損失項をモデルの学習目標に統合する。 PDE損失は、潜在表現を復号することで全分解能(ピクセル)空間で計算され、有効対流拡散バランスの有限差分近似によって物理的一貫性を強制するように設計されている。 実験的な観察から,従来の拡散訓練ではPDE残量が少ないことが示唆され,この追加損失による微調整がモデルをさらに規則化し,生成したフィールドの物理的妥当性を高めるかを検討した。 コードベースの全体はGithubで、将来の参照と開発のために利用可能です。

関連論文リスト

• Physics-Informed Distillation of Diffusion Models for PDE-Constrained Generation [19.734778762515468]
  拡散モデルは、物理系のモデリング、特に偏微分方程式(PDE)によって支配されるものにおいて、注目を集めている。 本稿では, PDE 制約を直接拡散過程に注入するのではなく, ポストホック蒸留段階において適用する, 単純かつ効果的なポストホック蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-05-28T14:17:58Z)
• Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
  低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。 我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。 数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-28T16:44:28Z)
• Distilling Diffusion Models into Conditional GANs [90.76040478677609]
  複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。 我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
  論文  参考訳（メタデータ） (2024-05-09T17:59:40Z)
• Closing the ODE-SDE gap in score-based diffusion models through the Fokker-Planck equation [0.562479170374811]
  スコアベース拡散モデルのトレーニング時に生じる力学と近似の範囲を厳密に記述する。 従来のスコアベース拡散モデルでは, ODE-とSDE-誘導分布に有意な差が認められることを示す。
  論文  参考訳（メタデータ） (2023-11-27T16:44:50Z)
• Exploring the Optimal Choice for Generative Processes in Diffusion Models: Ordinary vs Stochastic Differential Equations [6.2284442126065525]
  ゼロ拡散(ODE)の場合と大きな拡散の場合の2つの制限シナリオについて数学的に検討する。 その結果, 生成過程の終端に摂動が発生すると, ODEモデルは大きな拡散係数でSDEモデルより優れることがわかった。
  論文  参考訳（メタデータ） (2023-06-03T09:27:15Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Stationary Density Estimation of It\^o Diffusions Using Deep Learning [6.8342505943533345]
  離散時間系列からのエルゴード的伊藤拡散の定常測度に関連する密度推定問題を考察する。 我々は深層ニューラルネットワークを用いてSDEのドリフトと拡散の項を近似する。 我々は、適切な数学的仮定の下で提案されたスキームの収束を確立する。
  論文  参考訳（メタデータ） (2021-09-09T01:57:14Z)

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。