Fugu-MT 論文翻訳(概要): Stabilizing Physics-Informed Consistency Models via Structure-Preserving Training

論文の概要: Stabilizing Physics-Informed Consistency Models via Structure-Preserving Training

arxiv url: http://arxiv.org/abs/2602.09303v1
Date: Tue, 10 Feb 2026 00:40:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-11 20:17:43.299211
Title: Stabilizing Physics-Informed Consistency Models via Structure-Preserving Training
Title（参考訳）: 構造保存訓練による物理インフォームド一貫性モデルの安定化
Authors: Che-Chia Chang, Chen-Yang Dai, Te-Sheng Lin, Ming-Chih Lai, Chieh-Hsin Lai,
Abstract要約: 偏微分方程式(PDE)を解くための物理インフォームド整合性モデリングフレームワークを提案する。物理制約付き一貫性トレーニングにおいて、PDE残差が自明あるいは退化解に向かってモデルを駆動できる重要な安定性の課題を特定する。本稿では,物理力から分散学習を分離する構造保存型2段階学習戦略を提案する。
参考スコア（独自算出の注目度）: 7.031010831953522
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a physics-informed consistency modeling framework for solving partial differential equations (PDEs) via fast, few-step generative inference. We identify a key stability challenge in physics-constrained consistency training, where PDE residuals can drive the model toward trivial or degenerate solutions, degrading the learned data distribution. To address this, we introduce a structure-preserving two-stage training strategy that decouples distribution learning from physics enforcement by freezing the coefficient decoder during physics-informed fine-tuning. We further propose a two-step residual objective that enforces physical consistency on refined, structurally valid generative trajectories rather than noisy single-step predictions. The resulting framework enables stable, high-fidelity inference for both unconditional generation and forward problems. We demonstrate that forward solutions can be obtained via a projection-based zero-shot inpainting procedure, achieving consistent accuracy of diffusion baselines with orders of magnitude reduction in computational cost.
Abstract（参考訳）: 本稿では, 偏微分方程式(PDE)を高速な数ステップ生成推論により解くための物理インフォームド整合性モデリングフレームワークを提案する。物理制約付き一貫性トレーニングにおいて,PDE残差が自明あるいは退化解に向かってモデルを駆動し,学習したデータ分布を劣化させる,重要な安定性の課題を特定する。そこで本研究では,物理インフォームド微調整時の係数デコーダを凍結することにより,物理力から分散学習を分離する構造保存型2段階学習戦略を提案する。さらに, 単段階予測ではなく, 改良された, 構造的に有効な生成軌道上での物理的整合性を実現するための2段階残差目標を提案する。結果として得られるフレームワークは、非条件生成と前方問題の両方に対して安定かつ高忠実な推論を可能にする。本研究では,プロジェクションベースのゼロショットインペインティング法により前方解が得られ,拡散ベースラインの一貫した精度と計算コストの大幅な削減を達成できることを実証する。

関連論文リスト

Conditional Denoising Model as a Physical Surrogate Model [1.0616273526777913]
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。
論文参考訳（メタデータ） (2026-01-28T20:32:20Z)
ETC: training-free diffusion models acceleration with Error-aware Trend Consistency [46.40478218579471]
モデル出力の再利用による拡散過程の促進これらの手法は傾向を無視し、モデル固有の寛容性に対する誤り制御を欠いている。拡散軌道の滑らかな連続性を利用するフレームワークであるETC(Error-aware Trend Consistency)を紹介する。 ETCはFLUXよりも2.65倍の加速を実現し、一貫性の劣化は無視できる。
論文参考訳（メタデータ） (2025-10-28T07:08:09Z)
ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文参考訳（メタデータ） (2025-10-09T17:59:36Z)
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)
PhysicsCorrect: A Training-Free Approach for Stable Neural PDE Simulations [4.7903561901859355]
予測ステップ毎にPDE整合性を強制する,トレーニング不要な修正フレームワークであるNyberCorrectを提案する。私たちの重要なイノベーションは、オフラインのウォームアップフェーズでJacobianとその擬似逆をプリ計算する効率的なキャッシュ戦略です。 3つの代表的なPDEシステムにおいて、物理コレクトは予測誤差を最大100倍に削減し、無視可能な推論時間を加算する。
論文参考訳（メタデータ） (2025-07-03T01:22:57Z)
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-informed Reduced Order Modeling of Time-dependent PDEs via Differentiable Solvers [1.224954637705144]
本稿では,PDEソルバをトレーニング手順に組み込んだ物理インフォームドROM(Phi$-ROM)を提案する。我々のモデルは、最先端のデータ駆動ROMやその他の物理インフォームド戦略より優れています。 $Phi$-ROMは、未熟で不規則な視野で訓練されたり評価されたりしても、解場を回復し、予測することを学ぶ。
論文参考訳（メタデータ） (2025-05-20T16:47:04Z)
Gradient-Free Generation for Hard-Constrained Systems [41.558608119074755]
既存の制約付き生成モデルは勾配情報に大きく依存しており、いくつかの分野において計算コストが低い場合が多い。本稿では,ゼロショット方式で制約を正確に満たすために,事前学習された非拘束フローマッチングモデルを適用するための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-12-02T18:36:26Z)
Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
論文参考訳（メタデータ） (2024-11-28T13:16:20Z)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文参考訳（メタデータ） (2022-02-07T17:47:46Z)

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。