論文の概要: PhysFire-WM: A Physics-Informed World Model for Emulating Fire Spread Dynamics

• arxiv url: http://arxiv.org/abs/2512.17152v1
• Date: Fri, 19 Dec 2025 01:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.213391
• Title: PhysFire-WM: A Physics-Informed World Model for Emulating Fire Spread Dynamics
• Title（参考訳）: PhysFire-WM:ファイアスプレッドダイナミクスをエミュレートする物理インフォームドワールドモデル
• Authors: Nan Zhou, Huandong Wang, Jiahao Li, Yang Li, Xiao-Ping Zhang, Yong Li, Xinlei Chen,
• Abstract要約: 本稿では,ファイアスプレッドダイナミクスをエミュレートする物理インフォームド・ワールドモデルであるPhysFire-WMを紹介する。 本手法は, 物理シミュレータから構造化前処理を符号化することで燃焼力学を内部化し, 物理差を補正する。 ファイアスプレッド予測におけるPhysFire-WMの精度は, きめ細かいマルチモーダル火災データセットの実験により向上した。
• 参考スコア（独自算出の注目度）: 46.81004231857954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-grained fire prediction plays a crucial role in emergency response. Infrared images and fire masks provide complementary thermal and boundary information, yet current methods are predominantly limited to binary mask modeling with inherent signal sparsity, failing to capture the complex dynamics of fire. While world models show promise in video generation, their physical inconsistencies pose significant challenges for fire forecasting. This paper introduces PhysFire-WM, a Physics-informed World Model for emulating Fire spread dynamics. Our approach internalizes combustion dynamics by encoding structured priors from a Physical Simulator to rectify physical discrepancies, coupled with a Cross-task Collaborative Training strategy (CC-Train) that alleviates the issue of limited information in mask-based modeling. Through parameter sharing and gradient coordination, CC-Train effectively integrates thermal radiation dynamics and spatial boundary delineation, enhancing both physical realism and geometric accuracy. Extensive experiments on a fine-grained multimodal fire dataset demonstrate the superior accuracy of PhysFire-WM in fire spread prediction. Validation underscores the importance of physical priors and cross-task collaboration, providing new insights for applying physics-informed world models to disaster prediction.
• Abstract（参考訳）: きめ細かい火災予報は緊急対応に重要な役割を果たす。 赤外線画像とファイアマスクは相補的な熱と境界情報を提供するが、現在の方法は本質的に信号の空間性を持つ2値マスクのモデリングに限られており、火災の複雑なダイナミクスを捉えていない。 世界モデルはビデオ生成において有望であるが、物理的な矛盾は火災予報に重大な課題をもたらす。 本稿では,ファイアスプレッドダイナミクスをエミュレートする物理インフォームド・ワールドモデルであるPhysFire-WMを紹介する。 本手法は, 物理シミュレータから構造化前処理を符号化することにより燃焼力学を内部化し, マスクベースモデリングにおける限定情報の問題を軽減するクロスタスク協調学習戦略(CC-Train)と組み合わせる。 パラメータ共有と勾配調整により、CC-Trainは熱放射力学と空間境界線を効果的に統合し、物理的リアリズムと幾何学的精度の両方を高める。 ファイアスプレッド予測におけるファイスファイア-WMの精度は, きめ細粒度マルチモーダル火災データセットの広範囲な実験により向上した。 バリデーションは物理の先行とクロスタスクのコラボレーションの重要性を強調し、物理情報を用いた世界モデルを災害予測に適用するための新たな洞察を提供する。

関連論文リスト

• Think Before You Diffuse: Infusing Physical Rules into Video Diffusion [55.046699347579455]
  実世界の動き、相互作用、ダイナミクスの複雑さは、データから物理を学ぶ際に大きな困難をもたらす。 DiffPhyは、トレーニング済みの動画拡散モデルを微調整することで、物理的に正確でリアルな映像生成を可能にする汎用的なフレームワークである。
  論文  参考訳（メタデータ） (2025-05-27T18:26:43Z)
• Physics-informed neural networks for parameter learning of wildfire spreading [2.8686437689115354]
  この研究は、解釈可能な山火事拡散モデルの未知のパラメータを学習するために設計された物理情報ニューラルネットワーク(PiNN)を導入している。 The proposed PiNN learns the unknown coefficients of the wildfire model in one- and two-dimensional fire spread scenarios as the Troy Fire。 構想されている物理インフォームドデジタルツインは、インテリジェントな山火事の管理とリスクアセスメントを強化し、アクティブでリアクティブな戦略のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-06-20T10:21:55Z)
• Building Vision Models upon Heat Conduction [66.1594989193046]
  本研究は, 物理的熱伝導原理に基づく熱伝導演算子 (HCO) について紹介する。 HCOは熱源としてイメージパッチを概念化し、適応的な熱エネルギー拡散を通じて相関をモデル化する。 vHeatは、Swin-Transformerと比較して最大で3倍のスループット、GPUメモリ割り当ての80%削減、計算FLOPの35%削減を実現している。
  論文  参考訳（メタデータ） (2024-05-26T12:58:04Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• 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)
• Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved Wildfire Spread Behavior [0.0]
  高忠実度モデルはリアルタイムの火災応答に使用するには計算コストがかかりすぎる。 低忠実度モデルは、経験的測定を統合することで、いくつかの物理的精度と一般化性を犠牲にしている。 機械学習技術は、第一原理物理学を学習することで、これらの目的を橋渡しする能力を提供する。
  論文  参考訳（メタデータ） (2022-10-28T21:23:03Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics [0.0]
  森林火災伝播のダイナミクスをモデル化するために,畳み込み長短期記憶リカレントニューラルネットワークの有効性を評価する。 その結果,convlstmsは局所的な火災伝達イベントを捕捉できるだけでなく,火の拡散率など全体の火災動態を把握できることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T23:31:43Z)

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。