論文の概要: From Basis to Basis: Gaussian Particle Representation for Interpretable PDE Operators

• arxiv url: http://arxiv.org/abs/2602.21551v1
• Date: Wed, 25 Feb 2026 04:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.699198
• Title: From Basis to Basis: Gaussian Particle Representation for Interpretable PDE Operators
• Title（参考訳）: 基底から基底へ:解釈可能なPDE演算子に対するガウス粒子表現
• Authors: Zhihao Li, Yu Feng, Zhilu Lai, Wei Wang,
• Abstract要約: 流体のPDEダイナミクスの学習は、神経演算子やトランスフォーマーベースのモデルにますます依存しているが、これらのアプローチは解釈可能性に欠け、ローカライズされた高周波構造に苦しむことが多い。 我々は、学習原子が明示的な幾何学を持ち、コンパクトでメッシュに依存しない直接可視化可能な状態を形成するガウス基底の場を表現することを提案する。 標準的なPDEベンチマークと実データセットに基づいて,本手法は本質的な解釈性を提供しながら,最先端の競争精度を実現する。
• 参考スコア（独自算出の注目度）: 10.039418546901775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning PDE dynamics for fluids increasingly relies on neural operators and Transformer-based models, yet these approaches often lack interpretability and struggle with localized, high-frequency structures while incurring quadratic cost in spatial samples. We propose representing fields with a Gaussian basis, where learned atoms carry explicit geometry (centers, anisotropic scales, weights) and form a compact, mesh-agnostic, directly visualizable state. Building on this representation, we introduce a Gaussian Particle Operator that acts in modal space: learned Gaussian modal windows perform a Petrov-Galerkin measurement, and PG Gaussian Attention enables global cross-scale coupling. This basis-to-basis design is resolution-agnostic and achieves near-linear complexity in N for a fixed modal budget, supporting irregular geometries and seamless 2D-to-3D extension. On standard PDE benchmarks and real datasets, our method attains state-of-the-art competitive accuracy while providing intrinsic interpretability.
• Abstract（参考訳）: 流体のPDEダイナミクスの学習は、神経演算子やトランスフォーマーベースのモデルにますます依存しているが、これらのアプローチは解釈可能性に欠け、空間サンプルの2次コストを伴いながら、局所的な高周波構造に苦慮することが多い。 我々は、学習原子が明示的な幾何学(中心、異方性スケール、重み)を持ち、コンパクトでメッシュに依存しない直接可視化可能な状態を形成するガウス基底の場を表現することを提案する。 学習したガウスのモーダルウィンドウはペトロフ・ガレルキン測定を行い、PGガウスの注意はグローバルなクロススケール結合を可能にする。 このベース・ツー・ベーシ設計は分解能に非依存であり、不規則なジオメトリとシームレスな2D-to-3D拡張をサポートし、固定モード予算に対してNのほぼ線形複雑性を実現する。 標準的なPDEベンチマークと実データセットに基づいて,本手法は本質的な解釈性を提供しながら,最先端の競争精度を実現する。

関連論文リスト

• Inverse Design of Diffractive Metasurfaces Using Diffusion Models [28.865660196923752]
  メタサーフェス(Metagrounds)は、光の正確な制御を可能にする、エンジニアリングされたサブ波長構造からなる超薄い光学素子である。 逆設計では、構造と光学特性の間の複雑な非線形関係のため、所望の光学応答をもたらす幾何を決定することは困難である。 拡散モデルの生成能力を計算設計に組み込むことにより,これらの課題に対処する。 本研究では,空間的に均一な強度スプリッタと偏光ビームスプリッタの設計に対するアプローチを示す。
  論文  参考訳（メタデータ） (2025-06-26T20:10:30Z)
• From Local Interactions to Global Operators: Scalable Gaussian Process Operator for Physical Systems [7.807210884802377]
  本稿では,カーネル設計による空間性,局所性,構造情報を活かした,新しいスケーラブルなGPOを提案する。 我々のフレームワークは、様々な離散化スケールで常に高い精度を達成できることを実証する。
  論文  参考訳（メタデータ） (2025-06-18T22:40:52Z)
• Geometric Regularity in Deterministic Sampling of Diffusion-based Generative Models [39.94246633953425]
  決定論的サンプリング力学における顕著な幾何学的規則性を明らかにする。 すべての軌道は、モデルアーキテクチャ、適用条件、生成された内容に関わらず、ほぼ同じ「ボメラン」形状を示す。 提案手法は,サンプリング時間スケジュールと基礎となる軌道構造との整合性を向上する動的プログラミングに基づくスキームを提案する。
  論文  参考訳（メタデータ） (2025-06-11T21:09:09Z)
• Symplectic Generative Networks (SGNs): A Hamiltonian Framework for Invertible Deep Generative Modeling [0.0]
  本稿では,ハミルトン力学を利用して潜在空間とデータ空間の間の非可逆な体積保存マッピングを構築する深層生成モデルであるemphSymplectic Generative Network(SGN)を紹介する。 シンプレクティックな構造を持ち、ハミルトニアン系の時間発展としてデータ生成をモデル化することにより、SGNはヤコビアン計算の計算オーバーヘッドを発生させることなく正確な精度評価を行う。
  論文  参考訳（メタデータ） (2025-05-28T16:13:36Z)
• Geometry aware inference of steady state PDEs using Equivariant Neural Fields representations [0.30786914102688595]
  本稿では,幾何的変動を考慮した定常PDEの予測手法であるenf2enfを紹介する。 本手法は,特定空間に固定された遅延特徴にジオメトリを符号化し,ネットワーク全体の局所性を保存する。
  論文  参考訳（メタデータ） (2025-04-24T08:30:32Z)
• GaussianCube: A Structured and Explicit Radiance Representation for 3D Generative Modeling [55.05713977022407]
  構造的かつ完全明快な放射率表現を導入し、3次元生成モデリングを大幅に促進する。 我々はまず,新しい密度制約付きガウス適合アルゴリズムを用いてガウスキューブを導出する。 非条件およびクラス条件オブジェクト生成、デジタルアバター生成、テキスト・トゥ・3Dによる実験は、我々のモデル合成が最先端の生成結果を達成することを示す。
  論文  参考訳（メタデータ） (2024-03-28T17:59:50Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。