論文の概要: FMint-SDE: A Multimodal Foundation Model for Accelerating Numerical Simulation of SDEs via Error Correction

• arxiv url: http://arxiv.org/abs/2510.27173v1
• Date: Fri, 31 Oct 2025 04:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.982049
• Title: FMint-SDE: A Multimodal Foundation Model for Accelerating Numerical Simulation of SDEs via Error Correction
• Title（参考訳）: FMint-SDE:誤差補正によるSDEの数値シミュレーション高速化のためのマルチモーダル基礎モデル
• Authors: Jiaxin Yuan, Haizhao Yang, Maria Cameron,
• Abstract要約: 本稿では、微分方程式の大規模シミュレーションのための新しいマルチモーダル基礎モデル(FMint-SDE)を提案する。 FMint-SDEは、コンテキスト内学習を備えたデコーダのみの変換器に基づいて、普遍的な誤り訂正スキームを学習する。 分子動力学、機械システム、ファイナンス、生物学の応用にまたがる、難解なSDEベンチマークのスイートで、我々のモデルを評価した。
• 参考スコア（独自算出の注目度）: 7.463977095236658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast and accurate simulation of dynamical systems is a fundamental challenge across scientific and engineering domains. Traditional numerical integrators often face a trade-off between accuracy and computational efficiency, while existing neural network-based approaches typically require training a separate model for each case. To overcome these limitations, we introduce a novel multi-modal foundation model for large-scale simulations of differential equations: FMint-SDE (Foundation Model based on Initialization for stochastic differential equations). Based on a decoder-only transformer with in-context learning, FMint-SDE leverages numerical and textual modalities to learn a universal error-correction scheme. It is trained using prompted sequences of coarse solutions generated by conventional solvers, enabling broad generalization across diverse systems. We evaluate our models on a suite of challenging SDE benchmarks spanning applications in molecular dynamics, mechanical systems, finance, and biology. Experimental results show that our approach achieves a superior accuracy-efficiency tradeoff compared to classical solvers, underscoring the potential of FMint-SDE as a general-purpose simulation tool for dynamical systems.
• Abstract（参考訳）: 動的システムの高速かつ正確なシミュレーションは、科学と工学の領域における根本的な課題である。 従来の数値積分器は精度と計算効率のトレードオフに直面することが多いが、既存のニューラルネットワークベースのアプローチでは各ケースごとに個別のモデルをトレーニングする必要がある。 これらの制限を克服するために、微分方程式の大規模シミュレーションのための新しいマルチモーダル基礎モデル、FMint-SDE(確率微分方程式の初期化に基づく創始モデル)を導入する。 FMint-SDEは、インコンテキスト学習を備えたデコーダのみの変換器に基づいて、数値とテキストのモダリティを活用し、普遍的な誤り訂正スキームを学習する。 従来の解法によって生成される粗い解列を用いて学習し、多様なシステムにまたがる広範な一般化を可能にした。 分子動力学、機械システム、ファイナンス、生物学の応用にまたがる、難解なSDEベンチマークのスイートで、我々のモデルを評価した。 実験結果から,本手法は従来の解法に比べて精度・効率のトレードオフが優れており,動的システムの汎用シミュレーションツールとしてのFMint-SDEの可能性が示唆された。

関連論文リスト

• FMint: Bridging Human Designed and Data Pretrained Models for Differential Equation Foundation Model [5.748690310135373]
  我々は、人間設計モデルとデータ駆動モデルとのギャップを埋めるために、textbfFMintという新しいマルチモーダル基盤モデルを提案する。 FMintは、インコンテキスト学習を備えたデコーダのみのトランスフォーマーアーキテクチャに基づいて、数値データとテキストデータの両方を用いて、普遍的なエラー訂正スキームを学習する。 本研究は,従来の数値解法と比較して,精度と効率の両面から提案モデルの有効性を実証するものである。
  論文  参考訳（メタデータ） (2024-04-23T02:36:47Z)
• Towards a Foundation Model for Partial Differential Equations: Multi-Operator Learning and Extrapolation [4.286691905364396]
  本稿では,PROSE-PDEという科学問題に対するマルチモーダル基礎モデルを提案する。 本モデルは,物理系の制御方程式を並列に学習しながら,システムの将来の状態を予測できるマルチオペレータ学習手法である。
  論文  参考訳（メタデータ） (2024-04-18T17:34:20Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
  限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。