論文の概要: Bridging Data and Physics: A Graph Neural Network-Based Hybrid Twin Framework

• arxiv url: http://arxiv.org/abs/2512.15767v1
• Date: Fri, 12 Dec 2025 16:54:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.681435
• Title: Bridging Data and Physics: A Graph Neural Network-Based Hybrid Twin Framework
• Title（参考訳）: ブリッジデータと物理: グラフニューラルネットワークに基づくハイブリッドツインフレームワーク
• Authors: M. Gorpinich, B. Moya, S. Rodriguez, F. Meraghni, Y. Jaafra, A. Briot, M. Henner, R. Leon, F. Chinesta,
• Abstract要約: ハイブリッド双対アプローチを用いた非定常物理現象の無知成分をモデル化する。 重要な課題は、空間測定が疎いことであり、また異なる空間構成で同じ現象を測定するデータを取得することは、実際は困難である。 我々の貢献は、無知モデルを表現するためにグラフニューラルネットワーク(GNN)を使用することによって、この制限を克服することである。 これにより、密集した空間的・時間的・パラメトリックなデータを必要とせずに、データ駆動補正による物理モデルを強化することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating complex unsteady physical phenomena relies on detailed mathematical models, simulated for instance by using the Finite Element Method (FEM). However, these models often exhibit discrepancies from the reality due to unmodeled effects or simplifying assumptions. We refer to this gap as the ignorance model. While purely data-driven approaches attempt to learn full system behavior, they require large amounts of high-quality data across the entire spatial and temporal domain. In real-world scenarios, such information is unavailable, making full data-driven modeling unreliable. To overcome this limitation, we model of the ignorance component using a hybrid twin approach, instead of simulating phenomena from scratch. Since physics-based models approximate the overall behavior of the phenomena, the remaining ignorance is typically lower in complexity than the full physical response, therefore, it can be learned with significantly fewer data. A key difficulty, however, is that spatial measurements are sparse, also obtaining data measuring the same phenomenon for different spatial configurations is challenging in practice. Our contribution is to overcome this limitation by using Graph Neural Networks (GNNs) to represent the ignorance model. GNNs learn the spatial pattern of the missing physics even when the number of measurement locations is limited. This allows us to enrich the physics-based model with data-driven corrections without requiring dense spatial, temporal and parametric data. To showcase the performance of the proposed method, we evaluate this GNN-based hybrid twin on nonlinear heat transfer problems across different meshes, geometries, and load positions. Results show that the GNN successfully captures the ignorance and generalizes corrections across spatial configurations, improving simulation accuracy and interpretability, while minimizing data requirements.
• Abstract（参考訳）: 複雑な非定常物理現象のシミュレーションは、例えば有限要素法(FEM)を用いてシミュレートされた詳細な数学的モデルに依存する。 しかしながら、これらのモデルは、非モデル化効果や仮定の単純化により、現実と相違することが多い。 このギャップを無知モデルと呼ぶ。 純粋にデータ駆動アプローチは完全なシステムの振る舞いを学習しようとするが、空間的および時間的領域全体にわたって大量の高品質なデータを必要とする。 現実のシナリオでは、そのような情報は利用できないため、完全なデータ駆動モデリングは信頼できない。 この制限を克服するために、我々は、スクラッチから現象をシミュレートする代わりに、ハイブリッド双対アプローチを用いて無知成分をモデル化する。 物理学に基づくモデルは現象の全体的な挙動を近似するため、残りの無知は通常、完全な物理応答よりも複雑さが低いため、非常に少ないデータで学習することができる。 しかし,空間的測定が不十分であることや,異なる空間的構成で同じ現象を計測するデータを取得することは,実際は困難である。 我々の貢献は、無知モデルを表現するためにグラフニューラルネットワーク(GNN)を使用することによって、この制限を克服することである。 GNNは、測定位置の数が限られている場合でも、欠落した物理の空間パターンを学習する。 これにより、密集した空間的・時間的・パラメトリックなデータを必要とせずに、データ駆動補正による物理モデルを強化することができる。 提案手法の性能を示すために,GNNをベースとしたハイブリッドツインを,メッシュ,ジオメトリ,負荷位置の異なる非線型熱伝達問題に対して評価した。 その結果、GNNは空間的構成の無知を捕捉し、補正を一般化し、データ要求を最小化しつつ、シミュレーション精度と解釈可能性を改善した。

関連論文リスト

• Data assimilation and discrepancy modeling with shallow recurrent decoders [2.47593085771929]
  シャローリカレントデコーダ(DA-SHRED)を用いたデータ同化のための機械学習フレームワークを提案する。 提案アルゴリズムは, 非線形力学に基づく回帰モデルのスパース同定を潜時空間に組み込んで, シミュレーションモデルに欠落するダイナミクスに対応する関数を同定する。 DA-SHREDはSIM2REALのギャップを埋めることに成功し、高度に複雑なシステムにおいて欠落するダイナミクスを回復することを示した。
  論文  参考訳（メタデータ） (2025-12-01T01:01:48Z)
• Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics [71.53370807809296]
  最近のグラフニューラルシミュレータ(GNS)は、グラフ構造化データ上での動的学習によりシミュレーションを加速する。 ハミルトン力学の原理に基づいて構築されたグラフベースニューラルネットワークであるIGNS(Information-serving Graph Neural Simulator)を提案する。 IGNSは最先端のGNSを一貫して上回り、挑戦的で複雑な力学系の下で高い精度と安定性を達成する。
  論文  参考訳（メタデータ） (2025-11-11T12:53:56Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Learning Physically Interpretable Atmospheric Models from Data with WSINDy [0.0]
  シミュレーションデータと同化データの両方から有効な大気モデルを学ぶことができることを示す。 提案手法は,任意の空間次元の高次元流体データを扱うための標準WSINDyアルゴリズムに適応する。
  論文  参考訳（メタデータ） (2025-01-01T06:03:07Z)
• Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
  DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。 このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
  論文  参考訳（メタデータ） (2023-11-02T20:40:21Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)

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。