論文の概要: An Invariant Compiler for Neural ODEs in AI-Accelerated Scientific Simulation

• arxiv url: http://arxiv.org/abs/2603.23861v1
• Date: Wed, 25 Mar 2026 02:39:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.095111
• Title: An Invariant Compiler for Neural ODEs in AI-Accelerated Scientific Simulation
• Title（参考訳）: AI加速科学シミュレーションにおけるニューラルODEの不変コンパイラ
• Authors: Fangzhou Yu, Yiqi Su, Ray Lee, Shenfeng Cheng, Naren Ramakrishnan,
• Abstract要約: 制約のないニューラル ODE はドメイン不変量(英語版)をドリフトして違反し、物理的に不確実な解をもたらす。 構成により不変を強制するフレームワークである不変コンパイラを導入する。 科学的領域をまたいだ不変反射性神経代理のための体系的なデザインパターンを提供する。
• 参考スコア（独自算出の注目度）: 10.101438557137977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural ODEs are increasingly used as continuous-time models for scientific and sensor data, but unconstrained neural ODEs can drift and violate domain invariants (e.g., conservation laws), yielding physically implausible solutions. In turn, this can compound error in long-horizon prediction and surrogate simulation. Existing solutions typically aim to enforce invariance by soft penalties or other forms of regularization, which can reduce overall error but do not guarantee that trajectories will not leave the constraint manifold. We introduce the invariant compiler, a framework that enforces invariants by construction: it treats invariants as first-class types and uses an LLM-driven compilation workflow to translate a generic neural ODE specification into a structure-preserving architecture whose trajectories remain on the admissible manifold in continuous time (and up to numerical integration error in practice). This compiler view cleanly separates what must be preserved (scientific structure) from what is learned from data (dynamics within that structure). It provides a systematic design pattern for invariant-respecting neural surrogates across scientific domains.
• Abstract（参考訳）: ニューラルネットワークは、科学データやセンサーデータの連続時間モデルとして使われることが多いが、制約のないニューラルネットワークは、ドメイン不変量(例えば保存法則)をドリフトして違反し、物理的に不可解な解が得られる。 逆に、これは長期水平予測と代理シミュレーションにおいて複合的なエラーとなる。 既存の解は通常、ソフトなペナルティやその他の正則化によって不変性を強制することを目的としており、これは全体の誤差を減らすことができるが、トラジェクトリーが制約多様体を残さないことを保証しない。 不変を第一級型として扱い、LLM駆動のコンパイルワークフローを用いて、一般的なニューラルODE仕様を連続的に許容多様体上に軌道が残る構造保存アーキテクチャに変換する。 このコンパイラビューは、保存すべきもの(科学的構造)とデータから学んだもの(その構造内の力学)をきれいに分離します。 科学的領域をまたいだ不変反射性神経代理のための体系的なデザインパターンを提供する。

関連論文リスト

• Semi-Explicit Neural DAEs: Learning Long-Horizon Dynamical Systems with Algebraic Constraints [2.66269503676104]
  本稿では,各ODEステップを制約多様体上に投影することにより,代数的制約を明示的に強制する手法を提案する。 PNODEは6つのベンチマーク問題において、平均的な制約違反エラーを10～10ドル以下で達成するベースラインを一貫して上回る。 これらの結果から,制約投影は物理的に一貫した長軸運動学を学習するための単純な戦略を提供することが示された。
  論文  参考訳（メタデータ） (2025-05-26T20:31:15Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Learning on Manifolds: Universal Approximations Properties using Geometric Controllability Conditions for Neural ODEs [29.87898857250788]
  与えられた多様体を不変に残すニューラル常微分方程式のクラスを研究する。 多様体に制約された力学系のフローとして表現できる任意の写像は、多様体に制約されたニューラルODEの流れを用いて近似できることを示す。
  論文  参考訳（メタデータ） (2023-05-15T17:59:02Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)
• Go with the Flow: Adaptive Control for Neural ODEs [10.265713480189484]
  ニューラル制御ODE(N-CODE)と呼ばれる新しいモジュールについて述べる。 N-CODEモジュールは、初期または現在のアクティベーション状態からトレーニング可能なマップによって制御される動的変数である。 単一モジュールは、適応的に神経表現を駆動する非自律フロー上の分布を学ぶのに十分である。
  論文  参考訳（メタデータ） (2020-06-16T22:21:15Z)

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。