論文の概要: PILD: Physics-Informed Learning via Diffusion

• arxiv url: http://arxiv.org/abs/2601.21284v1
• Date: Thu, 29 Jan 2026 05:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.596108
• Title: PILD: Physics-Informed Learning via Diffusion
• Title（参考訳）: PILD:拡散による物理インフォームドラーニング
• Authors: Tianyi Zeng, Tianyi Wang, Jiaru Zhang, Zimo Zeng, Feiyang Zhang, Yiming Xu, Sikai Chen, Yajie Zou, Yangyang Wang, Junfeng Jiao, Christian Claudel, Xinbo Chen,
• Abstract要約: Physics-Informed Learning via Diffusion (PILD) は、拡散モデリングと第一原理物理制約を統一するフレームワークである。 PILDは、既存の物理インフォームドおよび拡散ベースラインの精度、安定性、一般化を大幅に改善する。
• 参考スコア（独自算出の注目度）: 10.91770676244394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have emerged as powerful generative tools for modeling complex data distributions, yet their purely data-driven nature limits applicability in practical engineering and scientific problems where physical laws need to be followed. This paper proposes Physics-Informed Learning via Diffusion (PILD), a framework that unifies diffusion modeling and first-principles physical constraints by introducing a virtual residual observation sampled from a Laplace distribution to supervise generation during training. To further integrate physical laws, a conditional embedding module is incorporated to inject physical information into the denoising network at multiple layers, ensuring consistent guidance throughout the diffusion process. The proposed PILD framework is concise, modular, and broadly applicable to problems governed by ordinary differential equations, partial differential equations, as well as algebraic equations or inequality constraints. Extensive experiments across engineering and scientific tasks including estimating vehicle trajectories, tire forces, Darcy flow and plasma dynamics, demonstrate that our PILD substantially improves accuracy, stability, and generalization over existing physics-informed and diffusion-based baselines.
• Abstract（参考訳）: 拡散モデルは、複雑なデータ分布をモデル化するための強力な生成ツールとして登場したが、その純粋にデータ駆動の性質は、物理法則に従う必要がある実践的な工学や科学的問題に適用性を制限する。 本稿では,拡散モデリングを統一し,ラプラス分布からサンプリングした仮想残差観測を導入し,トレーニング中の生成を監督する物理インフォームド・ラーニング・バイ・ディフュージョン(PILD)を提案する。 物理法則をさらに統合するため、複数の層における認知ネットワークに物理情報を注入するために条件埋め込みモジュールが組み込まれ、拡散過程全体を通して一貫したガイダンスが確保される。 提案したPILDフレームワークは、代数方程式や不等式制約と同様に、通常の微分方程式、偏微分方程式によって支配される問題に対して、簡潔でモジュラーで広く適用可能である。 車両軌道、タイヤ力、ダーシー流、プラズマ力学などの工学的および科学的な課題にわたる広範な実験により、私たちのPILDは、既存の物理インフォームドおよび拡散ベースラインよりも精度、安定性、一般化を大幅に改善することを示した。

関連論文リスト

• Transformers from Diffusion: A Unified Framework for Neural Message Passing [79.9193447649011]
  メッセージパッシングニューラルネットワーク(MPNN)は、デファクトクラスのモデルソリューションとなっている。 本稿では,拡散の誘導バイアスとエネルギーの層的制約を統合するエネルギー制約拡散モデルを提案する。 これらの知見に基づいて、我々はTransformer (DIFFormer)と呼ばれる新しいタイプのメッセージパッシングモデルを考案した。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Physics-Informed Diffusion Models [0.0]
  生成モデルと偏微分方程式の充足を統一する枠組みを提案する。 本手法は,流体流動ケーススタディにおける従来の研究と比較して,残差を最大2桁まで低減する。
  論文  参考訳（メタデータ） (2024-03-21T13:52:55Z)
• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• 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)
• Learning Homogenization for Elliptic Operators [5.151892549395954]
  マルチスケール偏微分方程式(PDE)は様々な応用で発生し、効率的な解法としていくつかのスキームが開発されている。 ホモジェナイゼーション理論(英語版)は、小さな依存を取り除く強力な方法論であり、結果として単純な方程式が引き起こされる。 本稿では, 楕円型作用素の複素数の存在下での同質化法則の学習可能性について検討する。
  論文  参考訳（メタデータ） (2023-06-21T04:05:10Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
  高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。 提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。 局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-09-25T01:13:51Z)

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。