Fugu-MT 論文翻訳(概要): Learning with Physical Constraints

論文の概要: Learning with Physical Constraints

arxiv url: http://arxiv.org/abs/2512.00104v1
Date: Thu, 27 Nov 2025 08:50:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-02 19:46:34.067776
Title: Learning with Physical Constraints
Title（参考訳）: 身体制約による学習
Authors: Miguel A. Mendez, Jan van Den Berghe, Manuel Ratz, Matilde Fiore, Lorenzo Schena,
Abstract要約: この章では、物理に制約された回帰に関する3つのチュートリアルを提供している。これらは,(1)画像速度測定における速度場の超解像とデータ同化,(2)データ駆動乱流モデリング,(3)予測と制御のためのシステム同定とデジタルツインニングといった課題を模倣する玩具問題として実装されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This chapter provides three tutorial exercises on physics-constrained regression. These are implemented as toy problems that seek to mimic grand challenges in (1) the super-resolution and data assimilation of the velocity field in image velocimetry, (2) data-driven turbulence modeling, and (3) system identification and digital twinning for forecasting and control. The Python codes for all exercises are provided in the course repository.
Abstract（参考訳）: この章では、物理に制約された回帰に関する3つのチュートリアルを提供している。これらは,(1)画像速度測定における速度場の超解像とデータ同化,(2)データ駆動乱流モデリング,(3)予測と制御のためのシステム同定とデジタルツインニングといった課題を模倣する玩具問題として実装されている。すべてのエクササイズ用のPythonコードは、コースリポジトリで提供されている。

関連論文リスト

Continuous-Time SO(3) Forecasting with Savitzky--Golay Neural Controlled Differential Equations [51.510040541600176]
この研究は、$SO(3)$で連続時間回転オブジェクトの力学をモデル化することを提案する。単純化された動作仮定に依存する既存の手法とは異なり、本手法は下層の物体軌道の一般的な潜在力学系を学習する。実世界のデータに対する実験結果から、既存の手法と比較して魅力的な予測能力が示された。
論文参考訳（メタデータ） (2025-06-07T12:41:50Z)
PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [62.93137406343609]
我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。 2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
論文参考訳（メタデータ） (2025-05-22T17:55:10Z)
A Universal Model Combining Differential Equations and Neural Networks for Ball Trajectory Prediction [11.862382788207514]
既存の方法は特定のボールタイプのために設計されており、一般化に苦慮している。本稿では,物理方程式と統合されたデータ駆動型ユニバーサル球軌道予測法を提案する。
論文参考訳（メタデータ） (2025-03-24T11:41:47Z)
Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。 Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
論文参考訳（メタデータ） (2024-10-02T09:44:54Z)
Benchmarking of Deep Learning models on 2D Laminar Flow behind Cylinder [0.0]
直接数値シミュレーション(DNS)は計算流体力学におけるタスクの1つである。これら3つのモデルをオートエンコーダ方式でトレーニングするため、データセットは入力としてモデルに与えられたシーケンシャルフレームとして扱われる。我々は、最近導入されたTransformerと呼ばれるアーキテクチャが、選択したデータセットでそのアーキテクチャを著しく上回っていることを観察する。
論文参考訳（メタデータ） (2022-05-26T16:49:09Z)
An extended physics informed neural network for preliminary analysis of parametric optimal control problems [0.0]
本研究では、パラメトリック偏微分方程式に対する教師付き学習戦略の拡張を提案する。我々の主な目標は、パラメトリケート現象を短時間でシミュレートする物理情報学習パラダイムを提供することです。
論文参考訳（メタデータ） (2021-10-26T09:39:05Z)
DeepPhysics: a physics aware deep learning framework for real-time simulation [0.0]
データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
論文参考訳（メタデータ） (2021-09-17T12:15:47Z)
Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文参考訳（メタデータ） (2020-11-24T14:22:42Z)
Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文参考訳（メタデータ） (2020-11-14T02:03:08Z)

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。