論文の概要: Holographic generative flows with AdS/CFT
- arxiv url: http://arxiv.org/abs/2601.22033v1
- Date: Thu, 29 Jan 2026 17:39:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:50.051323
- Title: Holographic generative flows with AdS/CFT
- Title（参考訳）: AdS/CFTを用いたホログラフィー生成流
- Authors: Ehsan Mirafzali, Sanjit Shashi, Sanya Murdeshwar, Edgar Shaghoulian, Daniele Venturi, Razvan Marinescu,
- Abstract要約: 本稿では,量子重力のホログラフィック原理を利用した生成機械学習の枠組みを提案する。
本稿では,AdSにおけるスカラーフィールドのバルク・ツー・バウンダリマッピングを用いて,ベース分布から学習分布へのデータフローを表現することを提案する。
- 参考スコア（独自算出の注目度）: 2.2842424220666238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a framework for generative machine learning that leverages the holographic principle of quantum gravity, or to be more precise its manifestation as the anti-de Sitter/conformal field theory (AdS/CFT) correspondence, with techniques for deep learning and transport theory. Our proposal is to represent the flow of data from a base distribution to some learned distribution using the bulk-to-boundary mapping of scalar fields in AdS. In the language of machine learning, we are representing and augmenting the flow-matching algorithm with AdS physics. Using a checkerboard toy dataset and MNIST, we find that our model achieves faster and higher quality convergence than comparable physics-free flow-matching models. Our method provides a physically interpretable version of flow matching. More broadly, it establishes the utility of AdS physics and geometry in the development of novel paradigms in generative modeling.
- Abstract（参考訳）: 本稿では,量子重力のホログラフィック原理を利用した生成機械学習の枠組みについて述べる。また,より正確には反デジッタ/コンフォーマル場理論 (AdS/CFT) の対応として,深層学習と輸送理論の手法を用いて表現する。
本稿では,AdSにおけるスカラーフィールドのバルク・ツー・バウンダリマッピングを用いて,ベース分布から学習分布へのデータフローを表現することを提案する。
機械学習の言語では、フローマッチングアルゴリズムをAdS物理で表現し、拡張しています。
チェッカーボードトイデータセットとMNISTを用いて、我々のモデルは、同等の物理自由流マッチングモデルよりも高速で高品質な収束を実現する。
本手法は,フローマッチングの物理的解釈可能なバージョンを提供する。
より広義には、生成モデリングにおける新しいパラダイムの開発において、AdS物理と幾何学の実用性を確立している。
関連論文リスト
- 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 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) - FlowBERT: Prompt-tuned BERT for variable flow field prediction [0.5222978725954347]
本研究では,大言語モデル(LLM)からの知識伝達に基づくユニバーサルフロー場予測フレームワークを提案する。
提案手法は,90%以上の精度を維持しながら予測時間を秒に短縮する。
発達した知識伝達パラダイムは、高速流体力学予測のための新しい方向を確立する。
論文 参考訳（メタデータ） (2025-05-20T02:25:38Z) - Generative Human Geometry Distribution [49.58025398670139]
我々は、最近提案された、高忠実度で単一の人間の幾何学をモデル化可能な、幾何学的分布に基づいて構築する。
本稿では,ネットワークパラメータではなく2次元特徴写像として分布を符号化する手法と,ガウスではなく領域としてSMPLモデルを提案する。
実験の結果,提案手法は既存の最先端手法よりも優れており,幾何学的品質が57%向上していることがわかった。
論文 参考訳（メタデータ） (2025-03-03T11:55:19Z) - Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。
レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-01-31T17:51:14Z) - A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。
本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。
ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。
これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文 参考訳（メタデータ） (2024-12-12T16:05:39Z) - Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。
我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文 参考訳（メタデータ） (2024-06-17T06:20:39Z) - TrafficFlowGAN: Physics-informed Flow based Generative Adversarial
Network for Uncertainty Quantification [4.215251065887861]
動的システムの不確実性定量化(UQ)のための物理インフォームドフローベース生成逆ネットワーク(GAN)であるTrafficFlowGANを提案する。
このフローモデルは、データ可能性の最大化と、畳み込み判別器を騙すことができる合成データを生成するために訓練される。
我々の知る限りでは、UQ問題に対するフロー、GAN、PIDLの統合を最初に提案します。
論文 参考訳（メタデータ） (2022-06-19T03:35:12Z) - 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) - 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。