Fugu-MT 論文翻訳(概要): Sparsely-Supervised Data Assimilation via Physics-Informed Schrödinger Bridge

論文の概要: Sparsely-Supervised Data Assimilation via Physics-Informed Schrödinger Bridge

arxiv url: http://arxiv.org/abs/2603.22319v1
Date: Fri, 20 Mar 2026 10:05:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-25 19:53:37.05652
Title: Sparsely-Supervised Data Assimilation via Physics-Informed Schrödinger Bridge
Title（参考訳）: 物理インフォームド・シュレーディンガー橋によるわずかに監督されたデータ同化
Authors: Dohyun Bu, Chanho Kim, Seokun Choi, Jong-Seok Lee,
Abstract要約: LF ( Full-grid Low-grid) シミュレーションは、マルチフィデリティ設定において有益な事前情報を提供する。生成モデルを用いた償却再構成が提案されているが、そのようなアプローチは訓練中のフルフィールドHF監督に依存している。そこで本研究では,提案するPhysical-In Conditional Schrdinger Bridge (PICSB)を提案する。
参考スコア（独自算出の注目度）: 22.765803648152357
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data assimilation (DA) for systems governed by partial differential equations (PDE) aims to reconstruct full spatiotemporal fields from sparse high-fidelity (HF) observations while respecting physical constraints. While full-grid low-fidelity (LF) simulations provide informative priors in multi-fidelity settings, recovering an HF field consistent with both sparse observations and the governing PDE typically requires per-instance test-time optimization, which becomes a major bottleneck in time-critical applications. To alleviate this, amortized reconstruction using generative models has recently been proposed; however, such approaches rely on full-field HF supervision during training, which is often impractical in real-world settings. From a more realistic perspective, we propose the Physics-Informed Conditional Schrödinger Bridge (PICSB), which transports an informative LF prior toward an observation-conditioned HF posterior without any additional inference-time guidance. To enable learning without HF endpoints, PICSB employs an iterative surrogate-endpoint refresh scheme, and directly incorporates PDE residuals into the training objective while enforcing observations via hard conditioning throughout sampling. Experiments on fluid PDE benchmarks demonstrate that PICSB enables extremely fast spatiotemporal field reconstruction while maintaining competitive accuracy under sparse HF supervision.
Abstract（参考訳）: 偏微分方程式(PDE)に支配されるシステムのデータ同化(DA)は、物理的制約を尊重しながら、スパース高忠実度(HF)観測から完全な時空間場を再構築することを目的としている。フルグリッドの低忠実度(LF)シミュレーションは、多忠実度設定において有益な事前情報を提供するが、スパース観測とPDEの管理の両方に整合したHFフィールドを復元するには、典型的にはインスタンスごとのテスト時間最適化が必要であるため、時間クリティカルなアプリケーションでは大きなボトルネックとなる。これを軽減するために、最近、生成モデルを用いた償却再構成が提案されているが、そのようなアプローチは訓練中のフルフィールドHFの監督に依存しており、現実の環境では非現実的であることが多い。より現実的な観点から,観測条件付きHF後部への情報伝達を行う物理インフォームド・コンディショナル・シュレーディンガー橋 (PICSB) を提案する。 HFエンドポイントなしでの学習を可能にするため、PICSBは反復的なサロゲート-エンドポイントリフレッシュスキームを採用し、サンプリング全体を通してハードコンディショニングによる観察を実施しながら、PDE残基を直接トレーニング目標に組み込む。流体PDEベンチマーク実験により、PICSBはスパースHF監督下での競争精度を維持しつつ、極めて高速な時空間再構成を可能にすることが示された。

関連論文リスト

Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
論文参考訳（メタデータ） (2026-03-23T03:22:33Z)
When Learning Hurts: Fixed-Pole RNN for Real-Time Online Training [58.25341036646294]
本研究では,再帰性極の学習がデータに有意な利点をもたらしない理由を解析的に検討し,実時間学習シナリオを実証的に提供する。固定極ネットワークは、トレーニングの複雑さを低減し、オンラインリアルタイムタスクにより適していることを示す。
論文参考訳（メタデータ） (2026-02-25T00:15:13Z)
Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting [2.502143380601666]
モデル時間スペクトルの監視範囲を拡大する周波数強調学習目標を提案する。 FreSTは、統一スペクトル領域における予測と基底真理を一致させ、空間と時間の両方にわたる複雑な依存関係を効果的にデコレーションする。
論文参考訳（メタデータ） (2026-02-13T20:42:49Z)
Physics-Informed Laplace Neural Operator for Solving Partial Differential Equations [11.064132774859553]
物理インフォームド・ラプラス・ニューラル演算子 (PILNO) は偏微分方程式の高速サロゲート解法である。物理をPDE、境界条件、初期条件残差による訓練に埋め込む。 PILNOは、小さなデータ設定における精度を一貫して改善し、ランダムなシード間の実行間変動を低減し、純粋なデータ駆動ベースラインよりも強力な一般化を実現する。
論文参考訳（メタデータ） (2026-02-13T08:19:40Z)
From Observations to States: Latent Time Series Forecasting [65.98504021691666]
本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
論文参考訳（メタデータ） (2026-01-30T20:39:44Z)
ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance [35.08166384258028]
ProFlowはゼロショット物理一貫性サンプリングのためのフレームワークである。厳密な物理的整合性と観測的忠実さを事前訓練された前の統計構造と整合させる。これは、より正確な分布統計だけでなく、より優れた物理的および観測的整合性を達成する。
論文参考訳（メタデータ） (2026-01-28T03:57:00Z)
The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
論文参考訳（メタデータ） (2025-12-21T06:08:22Z)
Operator Flow Matching for Timeseries Forecasting [2.406359246841227]
既存の自己回帰と拡散に基づくアプローチは、長い、物理的に一貫した予測を制限する累積誤差や離散化アーチファクトに悩まされることが多い。本研究では、FNO誤差の上限を証明し、チャネル折り畳みによるスパース条件付けを利用した潜時流マッチングモデルであるTempOを提案する。
論文参考訳（メタデータ） (2025-10-16T19:40:56Z)
Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文参考訳（メタデータ） (2025-06-10T18:40:20Z)
FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文参考訳（メタデータ） (2025-05-23T00:07:59Z)
Preconditioned training of normalizing flows for variational inference in inverse problems [1.5749416770494706]
低忠実な後方分布から直接サンプリングできる条件付き正規化フロー(NF)を提案する。この条件NFは、クルバック・リーブラー分岐の最小化を含む高忠実度目標のトレーニングを高速化するために使用される。 2D玩具と地震圧縮センシングのサンプルを含む私たちの数値実験は、かなりのスピードアップが達成可能であることを示しています。
論文参考訳（メタデータ） (2021-01-11T05:35:36Z)

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。