論文の概要: Latent Generative Solvers for Generalizable Long-Term Physics Simulation
- arxiv url: http://arxiv.org/abs/2602.11229v1
- Date: Wed, 11 Feb 2026 15:34:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.470238
- Title: Latent Generative Solvers for Generalizable Long-Term Physics Simulation
- Title（参考訳）: 一般化可能な長期物理シミュレーションのための潜在生成解法
- Authors: Zituo Chen, Haixu Wu, Sili Deng,
- Abstract要約: Latent Generative Solvers (LGS) は、様々なPDE状態を事前訓練されたVAEで共有された潜在物理空間にマッピングするフレームワークである。
我々の重要なメカニズムは、トレーニングと推論中に潜伏入力を摂動する不確実性ノブであり、解法にオフマニフォールドロールアウトドリフトを補正するように教える。
LGSは短地平線上での強力な決定論的ニューラルネットワークベースラインと一致し、長い地平線上でのロールアウトドリフトを大幅に低減する。
- 参考スコア（独自算出の注目度）: 12.894423121609526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study long-horizon surrogate simulation across heterogeneous PDE systems. We introduce Latent Generative Solvers (LGS), a two-stage framework that (i) maps diverse PDE states into a shared latent physics space with a pretrained VAE, and (ii) learns probabilistic latent dynamics with a Transformer trained by flow matching. Our key mechanism is an uncertainty knob that perturbs latent inputs during training and inference, teaching the solver to correct off-manifold rollout drift and stabilizing autoregressive prediction. We further use flow forcing to update a system descriptor (context) from model-generated trajectories, aligning train/test conditioning and improving long-term stability. We pretrain on a curated corpus of $\sim$2.5M trajectories at $128^2$ resolution spanning 12 PDE families. LGS matches strong deterministic neural-operator baselines on short horizons while substantially reducing rollout drift on long horizons. Learning in latent space plus efficient architectural choices yields up to \textbf{70$\times$} lower FLOPs than non-generative baselines, enabling scalable pretraining. We also show efficient adaptation to an out-of-distribution $256^2$ Kolmogorov flow dataset under limited finetuning budgets. Overall, LGS provides a practical route toward generalizable, uncertainty-aware neural PDE solvers that are more reliable for long-term forecasting and downstream scientific workflows.
- Abstract（参考訳）: ヘテロジニアスPDE系における長距離代理シミュレーションについて検討する。
2段階のフレームワークであるLatent Generative Solvers (LGS)を紹介する。
i)多種多様PDE状態を事前訓練されたVAEを持つ共有潜在物理学空間にマッピングし、
(II)フローマッチングによりトレーニングしたトランスフォーマーを用いて確率潜在力学を学習する。
我々の重要なメカニズムは、トレーニングと推論中に潜伏入力を摂動させる不確実性ノブであり、解法にオフマニフォールドロールアウトドリフトの修正と自己回帰予測の安定化を指導する。
さらに、フローフォースを使用して、モデル生成トラジェクトリからシステム記述子(コンテキスト)を更新し、列車/テスト条件を調整し、長期的な安定性を向上させる。
我々は、12のPDEファミリーにまたがる128^2$解像度で、$\sim$2.5Mのキュレートされたコーパスを事前訓練した。
LGSは短地平線上での強力な決定論的ニューラルネットワークベースラインと一致し、長い地平線上でのロールアウトドリフトを大幅に低減する。
潜在空間での学習と効率的なアーキテクチャ選択は、非生成ベースラインよりも低いFLOPを出力し、スケーラブルな事前トレーニングを可能にします。
また,限定的な微調整予算下での分布外分布256^2$コルモゴロフフローデータセットに効率よく適応することを示した。
全体として、LGSは、長期的な予測と下流の科学的ワークフローに対してより信頼性の高い一般化可能な、不確実性を考慮したニューラルPDEソルバへの実践的なルートを提供する。
関連論文リスト
- Operator Learning Using Weak Supervision from Walk-on-Spheres [81.26322147849918]
トレーニング型PDEソルバは、高価なデータ生成や不安定な物理インフォームドニューラルネットワーク(PINN)によってボトルネックされることが多い
モンテカルロ法を用いてPDEの解をトレーニング中の弱監督過程として推定する手法を提案する。
論文 参考訳（メタデータ） (2026-03-01T17:23:39Z) - 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) - Flow marching for a generative PDE foundation model [0.0]
本稿では,物理力学系における誤り蓄積の解析によって動機付けられたフローマッチングを用いて,ニューラル演算子の学習をブリッジするアルゴリズムであるフローマーチングを提案する。
また,物理制約付き変分オートエンコーダ(P2E)を導入し,物理軌道をコンパクトな潜在空間に埋め込む。
異なる12種類のPDEファミリーおよびP2EとFMTのトレインスイートの2.5Mトラジェクトリを複数スケールでキュレートする。
論文 参考訳（メタデータ） (2025-09-23T04:00:41Z) - 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) - Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。
深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。
Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
論文 参考訳（メタデータ） (2025-04-03T04:07:18Z) - DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training [87.90342423839876]
我々は,PDEデータに対するより安定的で効率的な事前学習を可能にする,自己回帰型事前学習戦略を提案する。
我々は,100k以上の軌道を持つ10以上のPDEデータセットに対して,最大0.5BパラメータでPDEファンデーションモデルをトレーニングする。
論文 参考訳（メタデータ） (2024-03-06T08:38:34Z) - Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics
for Temporal Modeling [13.38194491846739]
我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。
KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。
これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
論文 参考訳（メタデータ） (2023-09-19T03:42:55Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳（メタデータ） (2022-10-11T14:52:20Z) - Learning to Accelerate Partial Differential Equations via Latent Global
Evolution [64.72624347511498]
The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。
我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。
更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
論文 参考訳（メタデータ） (2022-06-15T17:31:24Z)
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。