論文の概要: LUMINA: Foundation Models for Topology Transferable ACOPF
- arxiv url: http://arxiv.org/abs/2603.04300v1
- Date: Wed, 04 Mar 2026 17:20:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.42092
- Title: LUMINA: Foundation Models for Topology Transferable ACOPF
- Title（参考訳）: LUMINA:トポロジー変換可能なACOPFの基礎モデル
- Authors: Yijiang Li, Zeeshan Memon, Hongwei Jin, Stefano Fenu, Keunju Song, Sunash B Sharma, Parfait Gasana, Hongseok Kim, Liang Zhao, Kibaek Kim,
- Abstract要約: ファンデーションモデルは一般的に、問題インスタンス全体にわたる再利用可能な表現を学習することで、科学計算を加速することを約束する。
我々は、AC最適潮流(ACOPF)の系統的研究を通して、制約付き科学基盤モデルの設計原理を導出する。
システム固有の制約を尊重しながら物理不変表現を学習し、制約満足度を確保しながら精度を最適化し、高インパクトな運用体制における信頼性を確保する。
- 参考スコア（独自算出の注目度）: 12.543812430874508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Foundation models in general promise to accelerate scientific computation by learning reusable representations across problem instances, yet constrained scientific systems, where predictions must satisfy physical laws and safety limits, pose unique challenges that stress conventional training paradigms. We derive design principles for constrained scientific foundation models through systematic investigation of AC optimal power flow (ACOPF), a representative optimization problem in power grid operations where power balance equations and operational constraints are non-negotiable. Through controlled experiments spanning architectures, training objectives, and system diversity, we extract three empirically grounded principles governing scientific foundation model design. These principles characterize three design trade-offs: learning physics-invariant representations while respecting system-specific constraints, optimizing accuracy while ensuring constraint satisfaction, and ensuring reliability in high-impact operating regimes. We present the LUMINA framework, including data processing and training pipelines to support reproducible research on physics-informed, feasibility-aware foundation models across scientific applications.
- Abstract（参考訳）: ファンデーションモデルは一般的に、問題インスタンス全体にわたる再利用可能な表現を学習することで科学的計算を加速することを約束するが、予測が物理法則と安全限界を満たす必要があるような制約のある科学システムでは、従来の訓練パラダイムを強調する独自の課題を提起する。
我々は,電力収支方程式と運転制約が交渉不可能な電力グリッド運用における代表的最適化問題であるAC最適電力フロー(ACOPF)を体系的に検討し,制約付き科学基盤モデルの設計原理を導出する。
アーキテクチャ,トレーニング目標,システムの多様性にまたがる制御された実験を通じて,我々は,科学的基礎モデル設計を規定する3つの原則を実験的に抽出する。
これらの原則は、システム固有の制約を尊重しながら物理不変表現を学ぶこと、制約満足度を確保しながら精度を最適化すること、高影響の運用体制における信頼性を確保すること、の3つの設計トレードオフを特徴としている。
本稿では,データ処理とトレーニングパイプラインを含むLUMINAフレームワークを提案する。
関連論文リスト
- P1-VL: Bridging Visual Perception and Scientific Reasoning in Physics Olympiads [91.05736019384489]
我々は、先進的な科学的推論のために設計されたオープンソースのビジョン言語モデルのファミリーであるP1-VLを紹介する。
当社のフラッグシップモデルであるP1-VL-235B-A22Bは、12個の金メダルを確保し、オープンソースモデルで最先端のパフォーマンスを達成した最初のオープンソースVision-Language Modelになります。
論文 参考訳（メタデータ） (2026-02-10T06:28:08Z) - Innovator-VL: A Multimodal Large Language Model for Scientific Discovery [84.15264653078826]
Innovator-VLは、様々な科学的分野の理解と推論を促進するために設計された、科学的多モーダルな大規模言語モデルである。
原理的なトレーニング設計と透過的な方法論により,データ要求を大幅に削減した強力な科学的知性が得られることを示す。
論文 参考訳（メタデータ） (2026-01-27T08:12:18Z) - FEM-Bench: A Structured Scientific Reasoning Benchmark for Evaluating Code-Generating LLMs [2.3052479658146323]
有限要素法(FEM)および関連コードを生成するためのLCMの能力を評価するためのベンチマークであるFEM-Benchを紹介する。
これらのタスクは、その分野に存在する複雑さのごく一部を表現しながら、不可欠な数値および物理モデリングの課題を捉えている。
関数記述における最高のパフォーマンスモデルであるGemini 3 Proは、少なくとも1回は30/33タスクを、5回ごとに26/33タスクを完了した。
論文 参考訳（メタデータ） (2025-12-23T19:40:51Z) - Hard-Constrained Neural Networks with Physics-Embedded Architecture for Residual Dynamics Learning and Invariant Enforcement in Cyber-Physical Systems [0.5735035463793009]
我々は、リカレントインテグレータ内に既知の物理をハード構造制約として埋め込んだ汎用アーキテクチャであるHybrid Recurrent Physics-Informed Neural Network (HRPINN) を定式化し、残留力学のみを学習する。
第2に,計画HRPINN (PHRPINN, Projected HRPINN) を導入する。
実世界のバッテリ確率DAEでHRPINNを評価し,標準制約ベンチマークでPHRPINNを評価する。
論文 参考訳（メタデータ） (2025-11-28T16:06:24Z) - PRISM-Physics: Causal DAG-Based Process Evaluation for Physics Reasoning [57.868248683256574]
PRISM-Physicsはプロセスレベルの評価フレームワークであり、複雑な物理推論問題のベンチマークである。
解は公式の有向非巡回グラフ(DAG)として表される。
その結果,評価フレームワークは人的専門家のスコアと一致していることがわかった。
論文 参考訳（メタデータ） (2025-10-03T17:09:03Z) - Benchmarking Foundation Models with Retrieval-Augmented Generation in Olympic-Level Physics Problem Solving [56.119382216818195]
基礎モデルを用いた検索拡張世代(RAG)は,様々なタスクにおいて高い性能を達成している。
しかし、オリンピアードレベルの物理学問題を解くような専門家レベルの推論能力は、ほとんど解明されていない。
我々は,Olympiadレベルの物理に特化して設計された高品質なマルチモーダルデータセットであるPhoPileを紹介する。
PhoPileを用いて,大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) の両方を複数のレトリバーでカバーするRAG拡張基盤モデルのベンチマークを行った。
論文 参考訳（メタデータ） (2025-10-01T13:57:53Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation [29.49941497527361]
PINNは、物理法則を直接学習フレームワークに組み込むことによって、スマートグリッドモデリングの変革的なアプローチを示す。
本稿では、PINNの機能をスマートグリッドダイナミクスの代理モデルとして評価する。
PINNの優れた一般化と誤り低減におけるデータ駆動モデルの性能を実証する。
論文 参考訳（メタデータ） (2025-08-29T12:15:32Z) - PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。
具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。
実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
論文 参考訳（メタデータ） (2025-07-01T14:48:22Z) - Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。
データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。
本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
論文 参考訳（メタデータ） (2025-05-23T03:28:25Z) - FEM-based Real-Time Simulations of Large Deformations with Probabilistic
Deep Learning [1.2617078020344616]
負荷下での超弾性体の応答を予測できる高効率なディープラーニングサロゲートフレームワークを提案する。
このフレームワークは、特殊な畳み込みニューラルネットワークアーキテクチャ(いわゆるU-Net)の形式を採っている。
論文 参考訳（メタデータ） (2021-11-02T20:05:22Z)
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。