論文の概要: Representation Learning for Spatiotemporal Physical Systems

• arxiv url: http://arxiv.org/abs/2603.13227v1
• Date: Fri, 13 Mar 2026 17:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.235692
• Title: Representation Learning for Spatiotemporal Physical Systems
• Title（参考訳）: 時空間物理系の表現学習
• Authors: Helen Qu, Rudy Morel, Michael McCabe, Alberto Bietti, François Lanusse, Shirley Ho, Yann LeCun,
• Abstract要約: 物理システムに対する機械学習のアプローチは、主に次世代の予測に焦点を当てている。 我々は、システムの物理パラメータを推定するなど、次のフレームを予測するための科学的タスクをさらに下流で検討する。 物理基底表現の学習における汎用的な自己指導手法の有効性を評価する。
• 参考スコア（独自算出の注目度）: 43.674371165000544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning approaches to spatiotemporal physical systems have primarily focused on next-frame prediction, with the goal of learning an accurate emulator for the system's evolution in time. However, these emulators are computationally expensive to train and are subject to performance pitfalls, such as compounding errors during autoregressive rollout. In this work, we take a different perspective and look at scientific tasks further downstream of predicting the next frame, such as estimation of a system's governing physical parameters. Accuracy on these tasks offers a uniquely quantifiable glimpse into the physical relevance of the representations of these models. We evaluate the effectiveness of general-purpose self-supervised methods in learning physics-grounded representations that are useful for downstream scientific tasks. Surprisingly, we find that not all methods designed for physical modeling outperform generic self-supervised learning methods on these tasks, and methods that learn in the latent space (e.g., joint embedding predictive architectures, or JEPAs) outperform those optimizing pixel-level prediction objectives. Code is available at https://github.com/helenqu/physical-representation-learning.
• Abstract（参考訳）: 時空間物理系に対する機械学習のアプローチは、主に次世代の予測に焦点を当てており、システムの進化の正確なエミュレータを学ぶことを目的としている。 しかしながら、これらのエミュレータは訓練に費用がかかるため、自動回帰ロールアウト時にエラーを複雑化するなど、パフォーマンスの落とし穴となる。 本研究では,システムの物理パラメータを推定するなど,異なる視点を採り,次のフレームを予測する科学的タスクをさらに下流で検討する。 これらのタスクの正確性は、これらのモデルの表現の物理的関連性について一意に定量化することができる。 下流の科学的タスクに有用な物理基底表現の学習における汎用的な自己指導手法の有効性を評価する。 驚くべきことに、これらのタスクにおいて、物理的モデリング用に設計されたすべての手法が汎用的な自己教師付き学習方法より優れており、また、潜時空間(例えば、共同埋め込み予測アーキテクチャ、JEPA)で学習する手法は、ピクセルレベルの予測目標を最適化する手法より優れています。 コードはhttps://github.com/helenqu/physical-representation-learningで入手できる。

関連論文リスト

• Adaptive Sensing of Continuous Physical Systems for Machine Learning [1.2891210250935148]
  本稿では,動的システムからの適応情報抽出のための汎用計算フレームワークを提案する。 適応型空間センサは,標準カオスベンチマークの予測精度を著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-03-04T02:13:36Z)
• 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)
• What Makes Pre-Trained Visual Representations Successful for Robust Manipulation? [57.92924256181857]
  照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。 創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
  論文  参考訳（メタデータ） (2023-11-03T18:09:08Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)
• Accurately Solving Physical Systems with Graph Learning [22.100386288615006]
  本稿では,グラフネットワークを持つ物理系に対する反復解法を高速化する新しい手法を提案する。 エンド・ツー・エンドで物理システムを学習することを目的とした既存の手法とは異なり、我々のアプローチは長期的な安定性を保証する。 本手法は,従来の反復解法の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-06T15:48:34Z)

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。