論文の概要: Conditional Denoising Model as a Physical Surrogate Model

• arxiv url: http://arxiv.org/abs/2601.21021v1
• Date: Wed, 28 Jan 2026 20:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.424748
• Title: Conditional Denoising Model as a Physical Surrogate Model
• Title（参考訳）: 物理サロゲートモデルとしての条件付きDenoisingモデル
• Authors: José Afonso, Pedro Viegas, Rodrigo Ventura, Vasco Guerra,
• Abstract要約: 物理多様体自体の幾何学を学ぶために設計された生成モデルを導入する。 ネットワークにノイズの多い状態からクリーンな状態を復元するように訓練することで、モデルは有効な解部分空間へ連続的に向けられるベクトル場を学習する。
• 参考スコア（独自算出の注目度）: 1.0616273526777913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surrogate modeling for complex physical systems typically faces a trade-off between data-fitting accuracy and physical consistency. Physics-consistent approaches typically treat physical laws as soft constraints within the loss function, a strategy that frequently fails to guarantee strict adherence to the governing equations, or rely on post-processing corrections that do not intrinsically learn the underlying solution geometry. To address these limitations, we introduce the {Conditional Denoising Model (CDM)}, a generative model designed to learn the geometry of the physical manifold itself. By training the network to restore clean states from noisy ones, the model learns a vector field that points continuously towards the valid solution subspace. We introduce a time-independent formulation that transforms inference into a deterministic fixed-point iteration, effectively projecting noisy approximations onto the equilibrium manifold. Validated on a low-temperature plasma physics and chemistry benchmark, the CDM achieves higher parameter and data efficiency than physics-consistent baselines. Crucially, we demonstrate that the denoising objective acts as a powerful implicit regularizer: despite never seeing the governing equations during training, the model adheres to physical constraints more strictly than baselines trained with explicit physics losses.
• Abstract（参考訳）: 複雑な物理システムのサロゲートモデリングは、データ適合精度と物理的整合性のトレードオフに直面している。 物理学に一貫性のあるアプローチは、典型的には、物理法則を損失関数の中のソフトな制約として扱うが、これは、しばしば支配方程式への厳密な固執を保証するのに失敗する戦略である。 これらの制約に対処するために、物理多様体自体の幾何学を学ぶために設計された生成モデルである {Conditional Denoising Model (CDM) を導入する。 ネットワークにノイズの多い状態からクリーンな状態を復元するように訓練することで、モデルは有効な解部分空間へ連続的に向けられるベクトル場を学習する。 時間独立な定式化を導入し、推論を決定論的不動点反復に変換することにより、雑音近似を平衡多様体に効果的に投影する。 低温プラズマ物理学と化学のベンチマークで検証されたCDMは、物理に一貫性のあるベースラインよりも高いパラメータとデータ効率を達成する。 トレーニング中に支配方程式を見なかったにもかかわらず、モデルは、明示的な物理学的損失で訓練されたベースラインよりも厳密な物理的制約に固執する。

関連論文リスト

• PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
  物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。 本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。 このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
  論文  参考訳（メタデータ） (2026-01-16T08:40:10Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Physics-Constrained Fine-Tuning of Flow-Matching Models for Generation and Inverse Problems [3.3811247908085855]
  本稿では、物理制約を強制し、科学的システムにおける逆問題を解決するための微調整フローマッチング生成モデルの枠組みを提案する。 我々のアプローチは、生成的モデリングと科学的推論を橋渡し、シミュレーション強化された発見と物理システムのデータ効率のモデリングのための新たな道を開く。
  論文  参考訳（メタデータ） (2025-08-05T09:32:04Z)
• Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
  多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。 これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。 非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T13:23:27Z)
• Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation [21.321570407292263]
  本稿では,PDE残差と代数的関係の両方の物理制約をフローマッチングの対象に組み込む生成フレームワークである物理ベースフローマッチングを提案する。 提案手法では,FMよりも高精度な物理残差を最大8倍に抑えながら,分布精度では既存アルゴリズムよりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T09:13:37Z)
• Physics-Constrained Flow Matching: Sampling Generative Models with Hard Constraints [0.6990493129893112]
  最近、偏微分方程式(PDE)によって支配される物理系に深部生成モデルが適用されている。 既存の手法は、厳しい制約を保証できないような、ソフトな罰則やアーキテクチャ上の偏見に頼っていることが多い。 本研究では,事前学習フローベース生成モデルにおける任意の非線形制約を強制するゼロショット推論フレームワークである物理制約フローマッチングを提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:12:37Z)
• Physics-consistent machine learning: output projection onto physical manifolds [2.06242362470764]
  データ駆動機械学習モデルは、しばしば、費用がかかるかアクセス不能な広範囲なデータセットを必要とする。 本稿では,物理原理の遵守を直接実施する新しい物理一貫性機械学習手法を提案する。 本手法はバネ質量系と低温反応性プラズマの2つの系で実証された。
  論文  参考訳（メタデータ） (2025-02-11T13:18:19Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Physics-informed regularization and structure preservation for learning stable reduced models from data with operator inference [0.0]
  演算子推論は、高次元物理系の軌道から非線形項を持つ低次元力学系モデルを学習する。 2次モデルに対する安定性バイアスを誘導する演算子推論のための正則化器を提案する。 構造を保存するためのモデル制約を強制する演算子推論の定式化を提案する。
  論文  参考訳（メタデータ） (2021-07-06T13:15:54Z)

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。