論文の概要: GenCP: Towards Generative Modeling Paradigm of Coupled Physics

• arxiv url: http://arxiv.org/abs/2601.19541v1
• Date: Tue, 27 Jan 2026 12:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.314135
• Title: GenCP: Towards Generative Modeling Paradigm of Coupled Physics
• Title（参考訳）: GenCP:結合物理学の創発的モデリングパラダイムを目指して
• Authors: Tianrun Gao, Haoren Zheng, Wenhao Deng, Haodong Feng, Tao Zhang, Ruiqi Feng, Qianyi Chen, Tailin Wu,
• Abstract要約: GenCPは、結合多物理シミュレーションのための新規で原則化された生成パラダイムである。 確率進化の空間における演算子分割理論を用いて、この「条件付き結合」サンプリングスキームの誤差制御可能性を保証する。 我々は,GenCPの知識と優れた応用性能の両立を実証するために,総合的な設定と3つの挑戦的な多分野シナリオについて,本パラダイムを評価した。
• 参考スコア（独自算出の注目度）: 12.60448078274613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world physical systems are inherently complex, often involving the coupling of multiple physics, making their simulation both highly valuable and challenging. Many mainstream approaches face challenges when dealing with decoupled data. Besides, they also suffer from low efficiency and fidelity in strongly coupled spatio-temporal physical systems. Here we propose GenCP, a novel and elegant generative paradigm for coupled multiphysics simulation. By formulating coupled-physics modeling as a probability modeling problem, our key innovation is to integrate probability density evolution in generative modeling with iterative multiphysics coupling, thereby enabling training on data from decoupled simulation and inferring coupled physics during sampling. We also utilize operator-splitting theory in the space of probability evolution to establish error controllability guarantees for this "conditional-to-joint" sampling scheme. We evaluate our paradigm on a synthetic setting and three challenging multi-physics scenarios to demonstrate both principled insight and superior application performance of GenCP. Code is available at this repo: github.com/AI4Science-WestlakeU/GenCP.
• Abstract（参考訳）: 現実世界の物理系は本質的に複雑で、しばしば複数の物理の結合を伴い、そのシミュレーションは非常に価値があり、困難である。 分離されたデータを扱う場合、多くの主流なアプローチが課題に直面している。 さらに、強く結合された時空間物理系においても、効率と忠実度が低い。 本稿では,複合多物理シミュレーションのための新規かつエレガントな生成パラダイムであるGenCPを提案する。 確率モデリング問題として結合物理モデリングを定式化することにより、生成モデルにおける確率密度の進化を反復的多物理カップリングと統合し、分離されたシミュレーションやサンプリング中の結合物理のトレーニングを可能にする。 また、確率進化の空間における演算子分割理論を利用して、この「条件付き結合」サンプリングスキームの誤差制御可能性を保証する。 我々は、GenCPの原理的洞察と優れた応用性能の両立を実証するために、総合的な設定と3つの挑戦的な多分野シナリオについて、我々のパラダイムを評価した。 コードは、github.com/AI4Science-WestlakeU/GenCPで入手できる。

関連論文リスト

• End-to-End Complexity Analysis for Quantum Simulation of the Extended Jaynes-Cummings Models [2.5789509846010574]
  本稿では,Jaynes-Cummingsモデル(eJCM)の量子シミュレーションのためのエンドツーエンドフレームワークを提案する。 我々は、システムの時間進化をシミュレートするための明示的な量子アルゴリズムと回路を開発する。 この研究は、将来の量子コンピュータ上でのeJCMをシミュレートするための完全なロードマップを確立する。
  論文  参考訳（メタデータ） (2025-09-16T21:23:53Z)
• Flow Matching for Geometric Trajectory Simulation [4.271235935891555]
  N体系は、分子動力学、生化学、歩行者動力学など幅広い分野の応用において基本的な問題である。 機械学習は、物理ベースのシミュレータをスケールし、実験データから直接モデルを開発する上で、貴重なツールとなっている。 現実的な軌跡を生成するためには、既存の手法は、非情報ノイズから始まる複雑な変換を学習し、ドメインインフォームド先行の活用を許さない必要がある。 本稿では,この制限に対処するためにSTFlowを提案する。フローマッチングとデータ依存結合を利用して,モデル表現率やスケーラビリティを犠牲にすることなく,幾何学的軌道の物理インフォームドシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2025-05-24T11:18:59Z)
• Multi-fidelity Reinforcement Learning Control for Complex Dynamical Systems [42.2790464348673]
  複雑なシステムの不安定性を制御するための多要素強化学習フレームワークを提案する。 提案手法が物理学における2つの複雑な力学に与える影響を実証する。
  論文  参考訳（メタデータ） (2025-04-08T00:50:15Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• 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)
• Quantum Simulation of the Bosonic Creutz Ladder with a Parametric Cavity [5.336258422653554]
  ハードウェア効率のよいアナログ量子シミュレータとして,マルチモード超伝導パラメトリックキャビティを用いた。 複雑なホッピング相互作用を持つ合成次元の格子を実現する。 複素数値ホッピング相互作用により、例えばゲージポテンシャルやトポロジカルモデルなどをシミュレートすることができる。
  論文  参考訳（メタデータ） (2021-01-11T14:46:39Z)

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。