論文の概要: Physics-Guided Machine Learning for Uncertainty Quantification in Turbulence Models

• arxiv url: http://arxiv.org/abs/2511.05633v1
• Date: Fri, 07 Nov 2025 07:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.51522
• Title: Physics-Guided Machine Learning for Uncertainty Quantification in Turbulence Models
• Title（参考訳）: 乱流モデルにおける不確実性定量化のための物理誘導機械学習
• Authors: Minghan Chu, Weicheng Qian,
• Abstract要約: 固有空間摂動法(Eigenspace Perturbation Method、EPM)は、モデル形式の不確実性を定量化する物理学に基づく手法である。 キャリブレーションを改善するために, 畳み込みニューラルネットワーク (CNN) を用いた EPM マグニチュードの変調を提案する。 標準ケース全体にわたって、ML-EPMハイブリッドフレームワークは、ベースラインEMM単独よりもかなり厳密で、より校正された不確実性推定をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the evolution of turbulent flows is central across science and engineering. Most studies rely on simulations with turbulence models, whose empirical simplifications introduce epistemic uncertainty. The Eigenspace Perturbation Method (EPM) is a widely used physics-based approach to quantify model-form uncertainty, but being purely physics-based it can overpredict uncertainty bounds. We propose a convolutional neural network (CNN)-based modulation of EPM perturbation magnitudes to improve calibration while preserving physical consistency. Across canonical cases, the hybrid ML-EPM framework yields substantially tighter, better-calibrated uncertainty estimates than baseline EPM alone.
• Abstract（参考訳）: 乱流の進化を予測することは、科学と工学の中心である。 ほとんどの研究は、経験的単純化がてんかんの不確実性をもたらす乱流モデルによるシミュレーションに依存している。 固有空間摂動法(英: Eigenspace Perturbation Method、EPM)は、モデル形式の不確かさを定量化するために広く用いられている物理に基づく手法であるが、純粋に物理学に基づくので、不確実性境界を過大に予測することができる。 物理的整合性を維持しつつキャリブレーションを改善するために, 畳み込みニューラルネットワーク(CNN)を用いたPM摂動の変調を提案する。 標準ケース全体にわたって、ML-EPMハイブリッドフレームワークは、ベースラインEMM単独よりもかなり厳密で、より校正された不確実性推定をもたらす。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures [12.68400434984463]
  MLIPは量子ポテンシャルエネルギー表面の物理的滑らかさを再現することができない。 マイクロカノニカル分子動力学のような既存の評価は計算に高価であり、主に近平衡状態を研究する。 MLIPの評価基準を改善するためにBSCT(Band Smoothness Characterization Test)を導入する。
  論文  参考訳（メタデータ） (2026-02-04T18:50:10Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics [1.53934570513443]
  本研究では,確率論的予測のためのベイズ物理学情報ニューラルネットワーク(B-PINN)フレームワークを提案する。 この枠組みは、太陽光発電プラントからの実測値を用いて開発され、試験された有限要素モデルに対して検証される。 その結果,提案したB-PINNは,予測の不確かさを正確に定量化することにより,より信頼性の高い予測を行うことを示した。
  論文  参考訳（メタデータ） (2025-09-19T12:39:15Z)
• Accelerating Long-Term Molecular Dynamics with Physics-Informed Time-Series Forecasting [7.705860755153007]
  分子動力学(MD)シミュレーションは、物質科学と生物物理学における原子スケールプロセスを理解するために不可欠である。 従来の密度汎関数理論(DFT)法は計算コストが高く、長期シミュレーションの可能性を制限する。 本稿では,時系列予測問題としてMDシミュレーションを定式化する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T02:00:52Z)
• BLIPs: Bayesian Learned Interatomic Potentials [47.73617239750485]
  機械学習原子間ポテンシャル(MLIP)は、シミュレーションベースの化学の中心的なツールになりつつある。 MLIPは、アクティブな学習パイプラインをガイドする基本となる、構築による不確実性推定を提供していない。 BLIPはスケーラブルでアーキテクチャに依存しない、トレーニングや微調整のためのベイズ的フレームワークである。
  論文  参考訳（メタデータ） (2025-08-19T17:28:14Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• SESaMo: Symmetry-Enforcing Stochastic Modulation for Normalizing Flows [0.0]
  本稿では,Symmetry-Enforcecing Modulation (SESaMo)を紹介する。 SESaMoは、誘導変調と呼ばれる新しい技術により、バイアス(例えば対称性)を正規化フローに組み込むことを可能にする。 数値実験では、8-ガウス混合モデルと物理的に関連する場理論を含む様々なシナリオでSESaMoをベンチマークした。
  論文  参考訳（メタデータ） (2025-05-26T07:34:11Z)
• 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)
• BPINN-EM-Post: Bayesian Physics-Informed Neural Network based Stochastic Electromigration Damage Analysis in the Post-void Phase [1.5815043033726341]
  本稿では,BPINN-EM-PostSpiceと呼ばれる機械学習に基づく新しいフレームワークを提案する。 BPINN-EM-PostSpiceはモンテカルロシミュレーションと比較して240倍以上,67倍以上の高速化を実現している。
  論文  参考訳（メタデータ） (2025-03-18T00:31:12Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。