論文の概要: Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage

• arxiv url: http://arxiv.org/abs/2602.12274v1
• Date: Thu, 12 Feb 2026 18:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.998085
• Title: Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage
• Title（参考訳）: 炭素捕獲・貯蔵における前方・逆モデリングのための関数空間分離拡散
• Authors: Xin Ju, Jiachen Yao, Anima Anandkumar, Sally M. Benson, Gege Wen,
• Abstract要約: 本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
• 参考スコア（独自算出の注目度）: 65.51149575007149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate characterization of subsurface flow is critical for Carbon Capture and Storage (CCS) but remains challenged by the ill-posed nature of inverse problems with sparse observations. We present Fun-DDPS, a generative framework that combines function-space diffusion models with differentiable neural operator surrogates for both forward and inverse modeling. Our approach learns a prior distribution over geological parameters (geomodel) using a single-channel diffusion model, then leverages a Local Neural Operator (LNO) surrogate to provide physics-consistent guidance for cross-field conditioning on the dynamics field. This decoupling allows the diffusion prior to robustly recover missing information in parameter space, while the surrogate provides efficient gradient-based guidance for data assimilation. We demonstrate Fun-DDPS on synthetic CCS modeling datasets, achieving two key results: (1) For forward modeling with only 25% observations, Fun-DDPS achieves 7.7% relative error compared to 86.9% for standard surrogates (an 11x improvement), proving its capability to handle extreme data sparsity where deterministic methods fail. (2) We provide the first rigorous validation of diffusion-based inverse solvers against asymptotically exact Rejection Sampling (RS) posteriors. Both Fun-DDPS and the joint-state baseline (Fun-DPS) achieve Jensen-Shannon divergence less than 0.06 against the ground truth. Crucially, Fun-DDPS produces physically consistent realizations free from the high-frequency artifacts observed in joint-state baselines, achieving this with 4x improved sample efficiency compared to rejection sampling.
• Abstract（参考訳）: 炭素捕獲貯蔵(CCS)では, 地下流れの正確なキャラクタリゼーションが重要であるが, スパース観測による逆問題の性質に疑問が呈されている。 本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 提案手法は, 単一チャネル拡散モデルを用いて地質学パラメータ(ジオモデル)の事前分布を学習し, 局所ニューラル演算子(LNO)サロゲートを用いて, 動的場上でのクロスフィールド条件付けのための物理一貫性のあるガイダンスを提供する。 このデカップリングにより、パラメータ空間の欠落した情報を確実に回復する前の拡散が可能となり、サロゲートはデータ同化のための効率的な勾配に基づくガイダンスを提供する。 1)25%の観測でフォワードモデリングを行う場合、Fun-DDPSは標準サロゲートの86.9%と比較して7.7%の相対誤差を達成し(11倍の改善)、決定論的手法が失敗する極端なデータ空間を扱う能力を証明した。 2) 拡散型逆解法の最初の厳密な検証法として, 漸近的に正確なRejection Smpling (RS) 後部に対して提案する。 Fun-DDPSとジョイントステートベースライン(Fun-DPS)はどちらも、真理に対して0.06以下でジェンセン・シャノンの発散を達成している。 重要なことは、Fun-DDPSは、結合状態のベースラインで観察される高周波アーティファクトから、物理的に一貫した実現法を生成し、これを達成することで、拒絶サンプリングと比較して、サンプル効率が4倍向上する。

関連論文リスト

• Robust Inference-Time Steering of Protein Diffusion Models via Embedding Optimization [6.097829741846035]
  EmbedOptは、条件埋め込み空間における実験可能性の最適化のために、拡散モデルを操るための推論時アプローチである。 EmbedOptは地図適合タスクにおいて座標に基づく後続サンプリング法よりも優れており、距離制約タスクのパフォーマンスと一致していることを示す。
  論文  参考訳（メタデータ） (2026-02-05T04:13:33Z)
• Decoupled Diffusion Sampling for Inverse Problems on Function Spaces [73.52103661482242]
  既存のプラグ・アンド・プレイ拡散後サンプリングは係数ジョイント・ソリューション・モデリングを通じて物理を暗黙的に表現する。 逆PDE問題に対する関数空間における物理認識型生成フレームワークを提案する。 我々の解答拡散逆ソルバー(DDIS)は、非条件拡散が事前に係数を学習し、ニューラル演算子はガイダンスのためにフォワードPDEを明示的にモデル化する。
  論文  参考訳（メタデータ） (2026-01-30T18:54:49Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence [0.44241702149260353]
  ベータ平面上での準破壊乱流の超解像と推定に4つの生成拡散モデリング手法を適用した。 そこで本研究では, 渦流と異方性噴流の乱流, レイノルズ数103, 104, および4x粗解場と粗度, 粗度, 粗度, 粗度, 間隙の2つの試験例について検討した。 SDEditは非物理的フィールドを生成するのに対し、DPSは計算コストが低いがスムーズな微細な特徴を持つ合理的な再構成を生成する。
  論文  参考訳（メタデータ） (2025-07-01T12:59:10Z)
• Guided Diffusion Sampling on Function Spaces with Applications to PDEs [112.09025802445329]
  PDEに基づく逆問題における条件付きサンプリングのための一般的なフレームワークを提案する。 これは、関数空間拡散モデルと条件付けのためのプラグアンドプレイガイダンスによって達成される。 提案手法は,最先端の固定解像度拡散ベースラインに対して平均32%の精度向上を実現する。
  論文  参考訳（メタデータ） (2025-05-22T17:58:12Z)
• ItDPDM: Information-Theoretic Discrete Poisson Diffusion Model [5.24776944932192]
  本稿では,光子到着過程に着想を得た情報理論離散ポアソン拡散モデル(ITDPDM)を紹介する。 我々のアプローチの中心は、真のデータ可能性と証明可能な正確な関係を持つ情報理論ポアソン再構成損失(PRL)である。 IDPDMは、分布ロバストな離散生成モデルの概念の証明を実証する優れた推定値と競合生成品質を得る。
  論文  参考訳（メタデータ） (2025-05-08T09:29:05Z)

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。