論文の概要: Ambient Physics: Training Neural PDE Solvers with Partial Observations

• arxiv url: http://arxiv.org/abs/2602.13873v1
• Date: Sat, 14 Feb 2026 20:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.53597
• Title: Ambient Physics: Training Neural PDE Solvers with Partial Observations
• Title（参考訳）: 環境物理学:部分観察によるニューラルPDE解の学習
• Authors: Harris Abdul Majid, Giannis Daras, Francesco Tudisco, Steven McDonagh,
• Abstract要約: アンビエント物理学(アンビエントろく、英: Ambient Physics)は、係数-解対の結合分布を部分的な観測から直接学習する枠組みである。 125$times$より少ない関数評価を使用しながら、平均的な全体的なエラーを62.51$%削減する。
• 参考スコア（独自算出の注目度）: 19.427351724755287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many scientific settings, acquiring complete observations of PDE coefficients and solutions can be expensive, hazardous, or impossible. Recent diffusion-based methods can reconstruct fields given partial observations, but require complete observations for training. We introduce Ambient Physics, a framework for learning the joint distribution of coefficient-solution pairs directly from partial observations, without requiring a single complete observation. The key idea is to randomly mask a subset of already-observed measurements and supervise on them, so the model cannot distinguish "truly unobserved" from "artificially unobserved", and must produce plausible predictions everywhere. Ambient Physics achieves state-of-the-art reconstruction performance. Compared with prior diffusion-based methods, it achieves a 62.51$\%$ reduction in average overall error while using 125$\times$ fewer function evaluations. We also identify a "one-point transition": masking a single already-observed point enables learning from partial observations across architectures and measurement patterns. Ambient Physics thus enables scientific progress in settings where complete observations are unavailable.
• Abstract（参考訳）: 多くの科学的設定では、PDE係数と解の完全な観測は高価、危険、あるいは不可能である。 近年の拡散法は, 部分的な観察を行う場を再構築することができるが, 訓練には完全な観察が必要である。 本研究では,係数解対の連成分布を直接部分観測から学習するフレームワークであるAmbient Physicsを紹介する。 鍵となる考え方は、既に観測されている測定のサブセットをランダムに隠蔽し、それらを監督することである。 アンビエント物理は最先端の復元性能を達成する。 従来の拡散法と比較して、125$\times$より少ない関数評価を用いて、平均的な全体的な誤差を62.51$\%削減する。 既に観測されている1つのポイントをマスクすることで、アーキテクチャや測定パターンを横断する部分的な観察から学ぶことができます。 環境物理学は、完全な観測が不可能な環境での科学的な進歩を可能にする。

関連論文リスト

• Uncertainties in Physics-informed Inverse Problems: The Hidden Risk in Scientific AI [0.0]
  PIMLにおける係数関数の推定における不確かさの定量化と解析を行う枠組みを提案する。 我々は磁気流体力学のモデルに我々の枠組みを適用し、その枠組みは不確実性を示し、幾何学的制約でユニークな同定が可能であることを示す。
  論文  参考訳（メタデータ） (2025-11-06T17:20:02Z)
• Breakdown of Measurement-Induced Phase Transitions Under Information Loss [39.36827689390718]
  量子マンボディシステムは、測定誘起相転移(MIPT)を特徴付けることができる MIPTは、平均的な観測器を通しては明らかにできないが、それぞれの軌道を別々に識別する能力が必要である。 観測者の各測定結果の識別能力の低下の下でMIPTの運命を探究する。
  論文  参考訳（メタデータ） (2024-07-18T18:10:52Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• The Principle of Uncertain Maximum Entropy [0.0]
  最大エントロピーの原理(英: Principle of Maximum Entropy)は、与えられた部分情報が未知の分布を推定する厳密な手法である。 我々は、この要求を、新しいより一般的な原則を導出するためのフレームワークとして、メモリレス通信チャネルを用いて緩和する。 本稿では, 未知の分布のエントロピーに上限を与え, 与えられた通信チャネルの使用により失われる情報量について述べる。
  論文  参考訳（メタデータ） (2023-05-17T00:45:41Z)
• DisDiff: Unsupervised Disentanglement of Diffusion Probabilistic Models [42.58375679841317]
  拡散確率モデル(DPM)の解離という新たな課題を提案する。 この課題は、観測の背後にある固有の因子を自動的に発見し、DPMの勾配場を下位段階の磁場に分解することである。 そこで我々は,DPMの枠組みにおいて,不整合表現学習を実現するために,DisDiffという教師なしのアプローチを考案した。
  論文  参考訳（メタデータ） (2023-01-31T15:58:32Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• A Sober Look at the Unsupervised Learning of Disentangled Representations and their Evaluation [63.042651834453544]
  モデルとデータの両方に帰納的バイアスを伴わずに,非教師なしの非教師付き表現学習は不可能であることを示す。 異なる手法は、対応する損失によって「強化」された特性を効果的に強制するが、よく見分けられたモデルは監督なしでは特定できないように見える。 以上の結果から,遠絡学習における今後の研究は,帰納的バイアスと(単純に)監督の役割を明確化すべきであることが示唆された。
  論文  参考訳（メタデータ） (2020-10-27T10:17:15Z)

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。