論文の概要: Variational Physics-Informed Ansatz for Reconstructing Hidden Interaction Networks from Steady States

• arxiv url: http://arxiv.org/abs/2512.13708v1
• Date: Sat, 06 Dec 2025 08:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.762571
• Title: Variational Physics-Informed Ansatz for Reconstructing Hidden Interaction Networks from Steady States
• Title（参考訳）: 定常状態からの隠れ相互作用ネットワーク再構築のための変分物理学インフォームドアンサッツ
• Authors: Kaiming Luo,
• Abstract要約: 本研究では、不均一な定常状態データから直接一般相互作用演算子を推定する変分物理学インフォームド・アンサッツ(VPIA)を提案する。 VPIAは力学の定常的制約を微分可能な変分表現に埋め込む。 物理由来の定常状態残留を最小化することにより、基礎となる結合を再構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The interaction structure of a complex dynamical system governs its collective behavior, yet existing reconstruction methods struggle with nonlinear, heterogeneous, and higher-order couplings, especially when only steady states are observable. We propose a Variational Physics-Informed Ansatz (VPIA) that infers general interaction operators directly from heterogeneous steady-state data. VPIA embeds the steady-state constraints of the dynamics into a differentiable variational representation and reconstructs the underlying couplings by minimizing a physics-derived steady-state residual, without requiring temporal trajectories, derivative estimation, or supervision. Residual sampling combined with natural-gradient optimization enables scalable learning of large and higher-order networks. Across diverse nonlinear systems, VPIA accurately recovers directed, weighted, and multi-body structures under substantial noise, providing a unified and robust framework for physics-constrained inference of complex interaction networks in settings where only snapshot observations are available.
• Abstract（参考訳）: 複雑な力学系の相互作用構造はその集合的振舞いを支配しているが、既存の再構成法は非線形で不均一で高次結合に苦しむ。 本研究では、不均一な定常状態データから直接一般相互作用演算子を推定する変分物理学インフォームド・アンサッツ(VPIA)を提案する。 VPIA は力学の定常的制約を微分可能変分表現に埋め込み、時間軌道、微分推定、あるいは監督を必要とせず、物理学から派生した定常状態残差を最小化することによって基礎的な結合を再構築する。 残留サンプリングと自然段階最適化を組み合わせることで、大規模・高次ネットワークのスケーラブルな学習が可能になる。 様々な非線形システムにおいて、VPIAは指示、重み付け、多体構造をかなりノイズ下で正確に復元し、スナップショット観察のみが可能な設定において、複雑な相互作用ネットワークの物理制約付き推論のための統一的で堅牢なフレームワークを提供する。

関連論文リスト

• Structure-Preserving Physics-Informed Neural Network for the Korteweg--de Vries (KdV) Equation [0.0]
  本稿では,非線形カルテヴェーグ・ド・ヴリー(KdV)方程式に対するエンファン構造保存型PINNフレームワークを提案する。 提案手法は、質量とハミルトンエネルギーの保存を直接損失関数に埋め込む。 我々は保存不変量を維持しながらKdVダイナミクスの目印挙動をうまく再現する。
  論文  参考訳（メタデータ） (2025-11-01T06:07:24Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Information-Theoretic Bounds and Task-Centric Learning Complexity for Real-World Dynamic Nonlinear Systems [0.6875312133832079]
  動的非線形系は静的および動的効果の結合による歪みを示す。 本稿では, 構造化分解, 分散解析, タスク中心の複雑性境界に基づく理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-09-08T12:08:02Z)
• Uncertainty Propagation Networks for Neural Ordinary Differential Equations [3.53219160875623]
  不確実性伝播ネットワーク(UPN)は、不確実性定量化を連続時間モデリングに自然に組み込む神経微分方程式の新たなファミリーである。 このアーキテクチャは、離散化アーティファクトを使わずに非線形力学を通じて不確実性を効率的に伝播する。 実験結果は、不確実な定量化を伴う連続正規化フロー(CNFs)、よく校正された信頼区間を持つ時系列予測、安定系とカオス系のどちらにおいても頑健な軌道予測である。
  論文  参考訳（メタデータ） (2025-08-22T22:24:46Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Tractable Dendritic RNNs for Reconstructing Nonlinear Dynamical Systems [7.045072177165241]
  線形スプラインベース展開により、片方向線形リカレントニューラルネットワーク(RNN)を増強する。 このアプローチは単純な PLRNN の理論的に魅力的な性質を全て保持するが、相対的に低次元の任意の非線形力学系を近似する能力は向上する。
  論文  参考訳（メタデータ） (2022-07-06T09:43:03Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。