Fugu-MT 論文翻訳(概要): Learning to Reconstruct Temperature Field from Sparse Observations with Implicit Physics Priors

論文の概要: Learning to Reconstruct Temperature Field from Sparse Observations with Implicit Physics Priors

arxiv url: http://arxiv.org/abs/2512.01196v1
Date: Mon, 01 Dec 2025 02:22:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-02 19:46:34.63853
Title: Learning to Reconstruct Temperature Field from Sparse Observations with Implicit Physics Priors
Title（参考訳）: 急激な物理学的前提によるスパース観測から温度場を再構築する学習
Authors: Shihang Li, Zhiqiang Gong, Weien Zhou, Yue Gao, Wen Yao,
Abstract要約: 温度場における測定の高コスト化と相当な分布変化は、再構成モデルの開発に挑戦する。暗黙的な物理誘導型温度場再構成フレームワークであるIPTRを提案する。我々はIPTRが既存の手法を一貫して上回り、最先端の再構築精度と強力な一般化能力を実現していることを示す。
参考スコア（独自算出の注目度）: 22.013633764284936
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate reconstruction of temperature field of heat-source systems (TFR-HSS) is crucial for thermal monitoring and reliability assessment in engineering applications such as electronic devices and aerospace structures. However, the high cost of measurement acquisition and the substantial distributional shifts in temperature field across varying conditions present significant challenges for developing reconstruction models with robust generalization capabilities. Existing DNNs-based methods typically formulate TFR-HSS as a one-to-one regression problem based solely on target sparse measurements, without effectively leveraging reference simulation data that implicitly encode thermal knowledge. To address this limitation, we propose IPTR, an implicit physics-guided temperature field reconstruction framework that introduces sparse monitoring-temperature field pair from reference simulations as priors to enrich physical understanding. To integrate both reference and target information, we design a dual physics embedding module consisting of two complementary branches: an implicit physics-guided branch employing cross-attention to distill latent physics from the reference data, and an auxiliary encoding branch based on Fourier layers to capture the spatial characteristics of the target observation. The fused representation is then decoded to reconstruct the full temperature field. Extensive experiments under single-condition, multi-condition, and few-shot settings demonstrate that IPTR consistently outperforms existing methods, achieving state-of-the-art reconstruction accuracy and strong generalization capability.
Abstract（参考訳）: 熱源系(TFR-HSS)の温度場の正確な再構成は、電子機器や航空宇宙構造物などの工学的応用における熱モニタリングと信頼性評価に不可欠である。しかし, 測定のコストが高く, 様々な条件にまたがる温度分布の変化は, 頑健な一般化機能を持つ再構成モデルを開発する上で大きな課題となる。既存のDNNベースの手法では、熱知識を暗黙的にエンコードする参照シミュレーションデータを効果的に活用することなく、ターゲットスパース測定のみに基づく1対1回帰問題としてTFR-HSSを定式化するのが一般的である。この制限に対処するため,本研究では,物理理解を深めるために,参照シミュレーションからスパース監視-温度場ペアを導入する暗黙の物理誘導型温度場再構成フレームワークであるIPTRを提案する。参照情報と対象情報の両方を統合するために,2つの相補的な分岐からなる二重物理埋め込みモジュールを設計した。これは,参照データから潜在物理を蒸留するために相互注意を用いた暗黙の物理誘導分岐と,対象観測の空間特性を捉えるフーリエ層に基づく補助符号化分岐である。その後、融合表現を復号して全温度場を再構成する。単一条件、複数条件、少数ショット設定による大規模な実験により、IPTRは既存の手法を一貫して上回り、最先端の再構築精度と強力な一般化能力を達成した。

関連論文リスト

2D-ThermAl: Physics-Informed Framework for Thermal Analysis of Circuits using Generative AI [9.414651358362388]
ThermAl"は物理インフォームドな生成AIフレームワークで、熱源を効果的に同定し、全チップの過渡的および定常的な熱分布を推定する。本モデルは,COMSOLを用いて生成した単純な論理ゲート(インバータ,NAND,XORなど)から複雑な設計まで,広範な熱散逸マップのデータセットに基づいて訓練されている。実験結果から、ThermAlは0.71Cのルート平均二乗誤差(RMSE)を持つ大回路に対して正確な温度マッピングを行い、200倍高速に動作することで従来のFEMツールより優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2025-12-01T00:45:26Z)
Constrained Sensing and Reliable State Estimation with Shallow Recurrent Decoders on a TRIGA Mark II Reactor [0.2519906683279152]
ショート・リカレント・デコーダ・ネットワーク(Shallow Recurrent Decoder network)は、正確な状態推定を提供することのできる新しいデータ駆動手法である。本研究では,実システムに適用した場合のシャローリカレントデコーダの性能について検討する。
論文参考訳（メタデータ） (2025-10-14T10:31:34Z)
Data-Driven Temperature Modelling of Machine Tools by Neural Networks: A Benchmark [2.07811670193148]
我々は,NNが機械工具内の高忠実度温度と熱流束場を予測するために訓練される新しいパラダイムを導入する。提案したフレームワークは、モジュール式でスワップ可能な下流コンポーネントを使用して、幅広いエラータイプの計算と修正を可能にする。
論文参考訳（メタデータ） (2025-09-26T15:43:08Z)
ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文参考訳（メタデータ） (2025-06-12T06:27:22Z)
Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文参考訳（メタデータ） (2025-06-10T18:40:20Z)
Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
論文参考訳（メタデータ） (2025-06-03T03:23:43Z)
PhySense: Sensor Placement Optimization for Accurate Physics Sensing [53.58729034895666]
PhySenseは、物理的なフィールドを共同で再構築し、センサー配置を最適化するフレームワークである。最先端の物理センサーの精度を達成し、以前は考えられていなかった情報的なセンサー配置を発見する。
論文参考訳（メタデータ） (2025-05-19T14:59:11Z)
Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks [1.0499611180329804]
本稿では,標準プール沸騰構成における幾何位相から温度場を推定するデータ駆動フレームワークを提案する。本研究は,観測可能な多相現象と熱輸送のギャップを埋めるための深部生成モデルの可能性を明らかにするものである。
論文参考訳（メタデータ） (2025-05-01T19:26:01Z)
Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文参考訳（メタデータ） (2023-07-20T05:49:21Z)
Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文参考訳（メタデータ） (2022-06-28T12:43:38Z)
Physics-Informed Deep Reversible Regression Model for Temperature Field Reconstruction of Heat-Source Systems [10.151316399254718]
本研究は, 熱源系の温度場再構成のための物理インフォームド深部可逆回帰モデルを開発した。まず、熱源系の温度場再構成タスクを数学的に定義し、問題を数値的にモデル化し、さらに問題を画像から画像への回帰問題として変換する。本研究は, 深部モデルの前方・後方伝播法則に基づいて, 境界付近の物理情報をよりよく学習できる深部可逆回帰モデルを開発する。
論文参考訳（メタデータ） (2021-06-22T17:01:53Z)

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。