論文の概要: pADAM: A Plug-and-Play All-in-One Diffusion Architecture for Multi-Physics Learning

• arxiv url: http://arxiv.org/abs/2603.16757v1
• Date: Tue, 17 Mar 2026 16:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.420568
• Title: pADAM: A Plug-and-Play All-in-One Diffusion Architecture for Multi-Physics Learning
• Title（参考訳）: pADAM: マルチ物理学習のためのプラグイン・アンド・プレイオール・イン・ワン・ディフュージョン・アーキテクチャ
• Authors: Amirhossein Mollaali, Bongseok Kim, Christian Moya, Guang Lin,
• Abstract要約: pADAMは、不均一な偏微分方程式族をまたいだ共分散確率的事前学習を行う統合生成フレームワークである。 トレーニングをすることなく、単一のアーキテクチャ内で前方予測と逆推論をサポートする。
• 参考スコア（独自算出の注目度）: 7.782045150068569
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalizing across disparate physical laws remains a fundamental challenge for artificial intelligence in science. Existing deep-learning solvers are largely confined to single-equation settings, limiting transfer across physical regimes and inference tasks. Here we introduce pADAM, a unified generative framework that learns a shared probabilistic prior across heterogeneous partial differential equation families. Through a learned joint distribution of system states and, where applicable, physical parameters, pADAM supports forward prediction and inverse inference within a single architecture without retraining. Across benchmarks ranging from scalar diffusion to nonlinear Navier--Stokes equations, pADAM achieves accurate inference even under sparse observations. Combined with conformal prediction, it also provides reliable uncertainty quantification with coverage guarantees. In addition, pADAM performs probabilistic model selection from only two sparse snapshots, identifying governing laws through its learned generative representation. These results highlight the potential of generative multi-physics modeling for unified and uncertainty-aware scientific inference.
• Abstract（参考訳）: 異なる物理法則をまたいだ一般化は、科学における人工知能の根本的な課題である。 既存のディープラーニングソルバは、主に単一方程式の設定に限られており、物理的なレシエーションや推論タスク間の転送を制限する。 ここでは、不均一偏微分方程式族間で共有確率事前学習を行う統一生成フレームワーク pADAM を紹介する。 pADAMは、学習されたシステム状態の連成分布と、適用可能な物理パラメータによって、単一のアーキテクチャ内での前方予測と逆推論をサポートし、再トレーニングを行なわない。 スカラー拡散から非線形ナビエ-ストークス方程式までの範囲で、pADAMはスパース観測の下でも正確な推論を行う。 共形予測と組み合わせることで、カバレッジ保証を伴う信頼性の高い不確実性定量化も提供する。 pADAMは2つのスパーススナップショットから確率的モデル選択を行い、学習された生成表現を通じて規則を識別する。 これらの結果は、統一的で不確実性を考慮した科学的推論のための生成的多物理モデリングの可能性を強調している。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Graph Neural PDE Solvers with Conservation and Similarity-Equivariance [6.077284832583712]
  本研究は,保存法則や物理対称性に固執する,高度に一般化可能な新しい機械学習アーキテクチャを提案する。 このアーキテクチャの基礎はグラフニューラルネットワーク(GNN)である。
  論文  参考訳（メタデータ） (2024-05-25T11:18:27Z)
• Unified, Verifiable Neural Simulators for Electromagnetic Wave Inverse Problems [1.6795461001108096]
  我々は、数千のDoF、波長、照明波面、およびフリーフォームの散乱シミュレーションに対処できる単一の統一モデルを示す。 本研究は,既存の散乱シミュレータにおいて,普遍的かつ精度の高いニューラルサロゲートへの道を示すものである。
  論文  参考訳（メタデータ） (2024-03-31T03:23:29Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Composing Partial Differential Equations with Physics-Aware Neural Networks [0.831246680772592]
  本稿では,吸着拡散過程を学習するための物理認識ニューラルネットワーク(FINN)を提案する。 平均的なパラメータの10分の1しか持たないFINNは、機械学習やその他の最先端の物理認識モデルよりも優れています。
  論文  参考訳（メタデータ） (2021-11-23T11:27:13Z)
• Unifying supervised learning and VAEs -- coverage, systematics and goodness-of-fit in normalizing-flow based neural network models for astro-particle reconstructions [0.0]
  統計的不確実性、包括性、体系的不確実性、あるいは適度な尺度はしばしば計算されない。 データとラベルの共分散のKL分割の目的は、教師付き学習と変分オートエンコーダの統合を可能にすることを示す。 本稿では,特定の「基本順序」輪郭の数値積分を伴わずにカバレッジ確率を計算する方法について論じる。
  論文  参考訳（メタデータ） (2020-08-13T11:28:57Z)

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。