論文の概要: PDE foundation model-accelerated inverse estimation of system parameters in inertial confinement fusion

• arxiv url: http://arxiv.org/abs/2603.04606v1
• Date: Wed, 04 Mar 2026 21:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:10.979509
• Title: PDE foundation model-accelerated inverse estimation of system parameters in inertial confinement fusion
• Title（参考訳）: 慣性凝縮核融合におけるPDE基礎モデルによるシステムパラメータの逆推定
• Authors: Mahindra Rautela, Alexander Scheinker, Bradley Love, Diane Oyen, Nathan DeBardeleben, Earl Lawrence, Ayan Biswas,
• Abstract要約: Inertial Confinement fusion (ICF)における逆問題について検討する:マルチモーダル・スナップショット式観測(出力)からシステムパラメータ(インプット)を推定する。 我々はPDEファンデーションモデルを微調整し、ハイパースペクトル画像と回帰システムのパラメータを共同で再構築する軽量なタスク固有ヘッドを訓練する。 実験では、トレーニングデータの量が増加するにつれて、復元と回帰の両方の損失が一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 36.885866084809926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: PDE foundation models are typically pretrained on large, diverse corpora of PDE datasets and can be adapted to new settings with limited task-specific data. However, most downstream evaluations focus on forward problems, such as autoregressive rollout prediction. In this work, we study an inverse problem in inertial confinement fusion (ICF): estimating system parameters (inputs) from multi-modal, snapshot-style observations (outputs). Using the open JAG benchmark, which provides hyperspectral X-ray images and scalar observables per simulation, we finetune the PDE foundation model and train a lightweight task-specific head to jointly reconstruct hyperspectral images and regress system parameters. The fine-tuned model achieves accurate hyperspectral reconstruction (test MSE 1.2e-3) and strong parameter-estimation performance (up to R^2=0.995). Data-scaling experiments (5%-100% of the training set) show consistent improvements in both reconstruction and regression losses as the amount of training data increases, with the largest marginal gains in the low-data regime. Finally, finetuning from pretrained MORPH weights outperforms training the same architecture from scratch, demonstrating that foundation-model initialization improves sample efficiency for data-limited inverse problems in ICF.
• Abstract（参考訳）: PDEファンデーションモデルは一般的に、多種多様なPDEデータセットのコーパスで事前訓練されており、タスク固有の限られたデータで新しい設定に適応することができる。 しかし、ほとんどの下流評価は、自動回帰ロールアウト予測のような前方問題に焦点を当てている。 本研究では,慣性凝縮核融合(ICF)における逆問題として,マルチモーダルなスナップショット型観測(アウトプット)からシステムパラメータ(インプット)を推定する。 シミュレーション毎に超スペクトルX線画像とスカラーオブザーバブルを提供するオープンJAGベンチマークを用いて、PDE基盤モデルを微調整し、超スペクトル画像と回帰系パラメータを共同で再構成するための軽量なタスク固有ヘッドを訓練する。 微調整モデルでは、正確な超スペクトル再構成(MSE 1.2e-3)と強力なパラメータ推定性能(R^2=0.995まで)を達成する。 データスケーリング実験(トレーニングセットの5%から100%)は、トレーニングデータの量が増加するにつれて、再構成と回帰損失の両面で一貫した改善が見られ、低データ体制における最大の限界利得が示される。 最後に、事前訓練されたMORPH重みによる微調整は、同じアーキテクチャをゼロからトレーニングし、基礎モデルの初期化により、ICFにおけるデータ制限逆問題に対するサンプル効率が向上することを示した。

関連論文リスト

• Out-of-distribution transfer of PDE foundation models to material dynamics under extreme loading [86.6550968435969]
  ほとんどのPDEファンデーションモデルは、流体中心のベンチマークに基づいて事前訓練され、微調整されている。 衝撃, 進化する界面, 破壊が非平滑な場を生み出す2つの不連続支配的体制について, 分布外移動をベンチマークする。 我々は,PDE基礎モデルであるPOSEIDONとMORPHを2つのオープンソースとして評価し,事前学習した重みからの微調整と,トレーニングセットのサイズによるスクラッチからのトレーニングを比較し,分散シフト下でのサンプル効率の定量化を行った。
  論文  参考訳（メタデータ） (2026-03-04T18:19:35Z)
• PDE-Constrained Optimization for Neural Image Segmentation with Physics Priors [0.0]
  顕微鏡画像の画像は、計測ノイズ、弱い物体境界、限られたラベル付きデータによる不適切な逆問題を構成する。 本研究では,PDE制約付き最適化問題としてイメージセグメンテーションを定式化し,物理的に動機付けられた事前処理を深層学習モデルに統合する。 LIVECellデータセットは、高画質で手動による位相コントラスト顕微鏡画像の収集である。
  論文  参考訳（メタデータ） (2026-02-01T07:28:14Z)
• Prequential posteriors [2.831395148295604]
  逐次的(逐次的)損失関数に基づく前置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置 軽度条件下では、事前損失最小化器と、最適予測性能を持つパラメータまわりの逐次後部集中器の両方が有効であることを示す。 本手法は,合成多次元時系列と実世界の気象データセットの両方で検証する。
  論文  参考訳（メタデータ） (2025-11-21T19:18:19Z)
• A Cycle-Consistency Constrained Framework for Dynamic Solution Space Reduction in Noninjective Regression [4.04042026249306]
  本稿では,サイクル一貫性に基づくデータ駆動トレーニングフレームワークを提案する。 正規化合成およびシミュレーションデータセットの実験により,提案手法が0.003未満のサイクル再構成誤差を達成することを示した。 このフレームワークは手動による介入への依存を著しく減らし、非インジェクティブ回帰タスクの潜在的な利点を示す。
  論文  参考訳（メタデータ） (2025-07-07T04:28:01Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
  科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。 本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。 以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-03-24T19:12:39Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training [87.90342423839876]
  我々は,PDEデータに対するより安定的で効率的な事前学習を可能にする,自己回帰型事前学習戦略を提案する。 我々は,100k以上の軌道を持つ10以上のPDEデータセットに対して,最大0.5BパラメータでPDEファンデーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-03-06T08:38:34Z)
• Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
  本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。 このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。 新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-17T01:12:44Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。