論文の概要: PhysFormer: A Physics-Embedded Generative Model for Physically Self-Consistent Spectral Synthesis

• arxiv url: http://arxiv.org/abs/2603.01459v1
• Date: Mon, 02 Mar 2026 05:17:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.691037
• Title: PhysFormer: A Physics-Embedded Generative Model for Physically Self-Consistent Spectral Synthesis
• Title（参考訳）: PhysFormer: 物理的自己持続スペクトル合成のための物理埋め込み生成モデル
• Authors: Siqi Wang, Mengmeng Zhang, Yude Bu, Chaozhou Mou,
• Abstract要約: PhysFormerは生成モデリングフレームワークで、データレベルと物理レベルの両方で自己整合性がある。 ネットワーク内に放射束生成の物理過程を埋め込んで、生成されたスペクトルの物理的整合性を保証する。 より広範に、このアプローチは物理過程を外部損失関数から生成機構自体にシフトさせる。
• 参考スコア（独自算出の注目度）: 18.52723003933575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In scientific and engineering domains, modeling high-dimensional complex systems governed by partial differential equations (PDEs) remains challenging in terms of physical consistency and numerical stability. However, existing approaches, such as physics-informed neural networks (PINNs), typically rely on known physical fields or coefficients and enforce physical constraints via external loss functions, which can lead to training instability and make it difficult to handle high-dimensional or unobservable scenarios. To this end, we propose PhysFormer, a generative modeling framework that is self-consistent at both the data and physical levels. PhysFormer leverages a low-dimensional, physically interpretable latent space to learn key physical quantities directly from data without requiring known high-dimensional physical field parameters, and embeds the physical process of radiative flux generation within the network to ensure the physical consistency of the generated spectra. In high-dimensional, degenerate inversion tasks, PhysFormer constrains generation within physical limits and enhances spectral fidelity and inversion stability under varying signal-to-noise ratios (SNRs). More broadly, this approach shifts the physical processes from external loss functions into the generative mechanism itself, providing a physically consistent generative modeling paradigm for complex systems involving unknown or unobservable physical quantities.
• Abstract（参考訳）: 科学と工学の分野では、偏微分方程式(PDE)によって支配される高次元複素系のモデリングは、物理的一貫性と数値安定性の観点からも難しいままである。 しかし、物理情報ニューラルネットワーク(PINN)のような既存のアプローチは、一般的には既知の物理場や係数に依存し、外部損失関数を通じて物理的な制約を強制する。 この目的のために、データレベルと物理レベルの両方で自己整合性を持つ生成モデリングフレームワークであるPhysFormerを提案する。 PhysFormerは、低次元で物理的に解釈可能な潜在空間を利用して、既知の高次元の物理的パラメータを必要とせずに、データから直接重要な物理量を学ぶ。 高次元の退化インバージョンタスクでは、PhysFormerは物理的制限内での発生を制約し、信号-雑音比(SNR)の異なるスペクトルの忠実度と反転安定性を高める。 より広範に、このアプローチは物理過程を外部損失関数から生成機構自体にシフトさせ、未知または観測不可能な物理量を含む複雑なシステムに対して、物理的に一貫した生成モデリングパラダイムを提供する。

関連論文リスト

• A Multimodal Conditional Mixture Model with Distribution-Level Physics Priors [0.0]
  本研究は,混合密度表現に基づく物理インフォームドマルチモーダル条件モデリングフレームワークを開発する。 物理知識は、制御方程式や物理法則の違反を罰するコンポーネント固有の規則化項に埋め込まれる。 提案手法は,観測ノイズではなく,本質的な物理的メカニズムから多モード性が生じる,様々な科学的問題に対して評価される。
  論文  参考訳（メタデータ） (2026-02-11T02:46:10Z)
• PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping [4.854753036255255]
  伝統的な物理学に基づくシミュレーション(PBS)の代替として、ディープラーニングに基づく衣服のドラッピングが出現している。 本稿では,明示的な力と制約によって引き起こされる身体的リアルな衣服ドレープのためのハイブリッドニューラルネットワーク物理解法であるPhysDrapeについて述べる。 この差別化可能な設計は、明示的な制約によって物理的な妥当性を保証すると同時に、エンドツーエンドの学習により、物理的に一貫した予測のためにネットワークを最適化することができる。
  論文  参考訳（メタデータ） (2026-02-08T15:46:01Z)
• 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)
• ProPhy: Progressive Physical Alignment for Dynamic World Simulation [55.456455952212416]
  ProPhyは、明示的な物理認識条件付けと異方性生成を可能にするプログレッシブ物理アライメントフレームワークである。 ProPhyは既存の最先端手法よりもリアルでダイナミックで物理的に一貫性のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-12-05T09:39:26Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
  APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。 これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
  論文  参考訳（メタデータ） (2020-10-09T09:31:03Z)

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。