論文の概要: A Stability-Aware Frozen Euler Autoencoder for Physics-Informed Tracking in Continuum Mechanics (SAFE-PIT-CM)

• arxiv url: http://arxiv.org/abs/2603.13280v2
• Date: Wed, 18 Mar 2026 19:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.261408
• Title: A Stability-Aware Frozen Euler Autoencoder for Physics-Informed Tracking in Continuum Mechanics (SAFE-PIT-CM)
• Title（参考訳）: 連続力学(SAFE-PIT-CM)における物理インフォームドトラッキングのための安定型凍結型オイラーオートエンコーダ
• Abstract要約: 連続力学における物理情報追跡のための安定型凍結型オイラーオートエンコーダSAFE-PIT-CMを紹介する。 アーキテクチャは、自動エンコーダ内に凍結して微分可能なPDEソルバを埋め込む。 モデルはテスト時間トレーニング(TTT: Test-time Training)もサポートしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce SAFE-PIT-CM, a Stability-Aware Frozen Euler autoencoder for Physics-Informed Tracking in Continuum Mechanics. The architecture embeds a frozen, differentiable PDE solver inside an autoencoder: a convolutional encoder maps each video frame to a latent field; the SAFE operator propagates it forward via sub-stepped finite differences; and a decoder reconstructs the video. Backpropagation through the frozen operator yields gradients that directly supervise an attention-based estimator for the diffusion coefficient alpha (alpha = D > 0), requiring no ground-truth labels. The SAFE operator is the central contribution. In practice, temporal snapshots are saved at intervals far coarser than the simulation time step. A single forward Euler step at this coarse interval violates the von Neumann stability condition, causing alpha to collapse to an unphysical value. Sub-stepping the frozen stencil restores the original temporal resolution and numerical stability, enabling accurate parameter recovery across the full physically relevant range. SAFE-PIT-CM is demonstrated on the diffusion equation, covering thermal diffusion in engineering metals. The model also supports test-time training (TTT): learning alpha from a single simulation with no pre-training, using only the physics loss as supervision. TTT achieves accuracy comparable to pre-trained inference. The architecture generalises to any PDE admitting a convolutional finite-difference discretisation and is inherently explainable -- every prediction traces to a physical coefficient and step-by-step PDE propagation.
• Abstract（参考訳）: 連続力学における物理情報追跡のための安定型凍結型オイラーオートエンコーダSAFE-PIT-CMを紹介する。 畳み込みエンコーダは各ビデオフレームを潜在フィールドにマッピングし、SAFEオペレータはサブステップの有限差分で転送し、デコーダは映像を再構成する。 凍結作用素によるバックプロパゲーションは、拡散係数α(アルファ = D > 0)の注意に基づく推定器を直接監督する勾配を与える。 SAFEオペレータが中心的なコントリビューションである。 実際には、時間スナップショットはシミュレーションタイムステップよりもはるかに粗い間隔で保存される。 この粗い間隔での単一前方オイラーステップはフォン・ノイマンの安定性条件に反し、アルファは非物理的値に崩壊する。 冷凍ステンシルのサブステッピングは、元の時間分解能と数値安定性を復元し、完全な物理的に関連する範囲にわたって正確なパラメータ回復を可能にする。 SAFE-PIT-CMは拡散方程式で示され、金属工学における熱拡散をカバーしている。 モデルはテスト時間トレーニング(TTT: Test-time Training)もサポートしている。 TTTは、事前訓練された推論に匹敵する精度を達成する。 このアーキテクチャは、畳み込み有限差分法による離散化を認める任意のPDEに一般化され、本質的に説明可能である。

関連論文リスト

• Temperature Field Reconstruction of Tungsten Monoblock Divertor on EAST using Physics-aware Neural Operator Transformer [20.873931353548574]
  本研究では,変圧器温度場の進化を特徴付ける物理対応型ニューラル演算子変換器(PNOT)を提案する。 物理認識の注意を喚起し、クエリポイントを集約する物理認識型ニューラル演算モジュールをさらに開発する。 実験結果から,これらの制約は物理的整合性を保ちながら予測精度を向上させることが示された。
  論文  参考訳（メタデータ） (2026-06-30T12:33:06Z)
• Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation [81.44955493339835]
  DeGOは変形可能なガウスの占有機構であり、分解したガウスの変形と分解された4次元基礎モデル蒸留を統一する。 Occ3D-NuScenesベンチマーク実験により,本手法が弱い監督下での最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-27T15:09:55Z)
• Physics from Video: Identifiability of Time-Invariant Second-Order ODEs under Minimal Trajectory Conditions [60.2784641643737]
  ビジュアルリアリズムと物理的な理解のギャップを埋めることは、ビデオベースの世界モデルにとって重要な課題である。 原画素からの連続時間物理法則の構造識別可能性について検討した。 レベルセットの傾斜被覆条件は、学習された潜伏空間が真の物理的状態に局所的に親和的であることを証明する。
  論文  参考訳（メタデータ） (2026-05-27T13:22:29Z)
• NPSolver: Neural Poisson Solver with Iterative Physics Supervision [13.109423311684134]
  textscNPrは、ソリューションラベルなしでトレーニングされたニューラルなPoissonソルバである。 textscNPrは、いくつかの事前条件付き共役勾配ステップを使用して、独自の予測を洗練します。 textscBA-Transolverアーキテクチャは、内部トークンと境界トークンを明確に分離する。
  論文  参考訳（メタデータ） (2026-05-25T12:33:52Z)
• Sparse Autoencoders as a Steering Basis for Phase Synchronization in Graph-Based CFD Surrogates [6.396157607535812]
  グラフベースのサロゲートモデルは、高忠実度CFDソルバに代わる高速な代替手段を提供するが、その不透明な潜在空間と制限された制御性は、安全クリティカルな設定での使用を制限する。 凍結サロゲートの潜伏空間を操作することにより, 位相ドリフトをポストホックで補正できるかどうかを問う。 本稿では、適切な表現と適切な介入機構を組み合わせた事前学習グラフベースのCFDモデルのための位相ステアリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-28T07:03:44Z)
• Stabilizing Physics-Informed Consistency Models via Structure-Preserving Training [7.031010831953522]
  偏微分方程式(PDE)を解くための物理インフォームド整合性モデリングフレームワークを提案する。 物理制約付き一貫性トレーニングにおいて、PDE残差が自明あるいは退化解に向かってモデルを駆動できる重要な安定性の課題を特定する。 本稿では,物理力から分散学習を分離する構造保存型2段階学習戦略を提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:40:19Z)
• On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
  本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。 CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。 我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-12-30T06:29:20Z)
• CFO: Learning Continuous-Time PDE Dynamics via Flow-Matched Neural Operators [9.273461312644345]
  連続フロー演算子(Continuous Flow Operator, CFO)は、標準的な連続アプローチであるニューラルODEの計算負担を伴わずに、連続時間PDEダイナミクスを学習する。 CFOは時相スプラインを軌跡データに適合させ、結び目における時間微分の有限差分推定を用いて、真のPDE力学に近似した速度の確率経路を構築する。 ニューラル作用素はフローマッチングによってトレーニングされ、これらの解析速度場を予測する。
  論文  参考訳（メタデータ） (2025-12-04T22:33:29Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
  IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。 これは、パッチの計算上の利点を維持しながら、時間構造を保存する。 長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
  論文  参考訳（メタデータ） (2025-09-30T12:09:56Z)
• PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [62.93137406343609]
  我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。 まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。 2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
  論文  参考訳（メタデータ） (2025-05-22T17:55:10Z)
• A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
  偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。 提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。 ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
  論文  参考訳（メタデータ） (2024-05-21T02:41:40Z)
• FC-PINO: High Precision Physics-Informed Neural Operators via Fourier Continuation [60.706803227003995]
  FC-PINO(Fourier-Continuation-based PINO)アーキテクチャを導入し、PINOの精度と効率を非周期的および非滑らかなPDEに拡張する。 標準的なPINOは、非周期的および非滑らかなPDEを高い精度で、挑戦的なベンチマークで解くのに苦労していることを実証する。 対照的に、提案されたFC-PINOは、正確で堅牢でスケーラブルなソリューションを提供し、PINOの代替案よりも大幅に優れている。
  論文  参考訳（メタデータ） (2022-11-29T06:37:54Z)

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。