論文の概要: Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment

• arxiv url: http://arxiv.org/abs/2604.01169v1
• Date: Wed, 01 Apr 2026 17:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.115392
• Title: Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment
• Title（参考訳）: 逆分布アライメントを用いた生成モデルによるシミュレーション-実験ギャップのブリッジ
• Authors: Kai Nelson, Tobias Kreiman, Sergey Levine, Aditi S. Krishnapriyan,
• Abstract要約: 科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
• 参考スコア（独自算出の注目度）: 51.246114581338865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental challenge in science and engineering is the simulation-to-experiment gap. While we often possess prior knowledge of physical laws, these physical laws can be too difficult to solve exactly for complex systems. Such systems are commonly modeled using simulators, which impose computational approximations. Meanwhile, experimental measurements more faithfully represent the real world, but experimental data typically consists of observations that only partially reflect the system's full underlying state. We propose a data-driven distribution alignment framework that bridges this simulation-to-experiment gap by pre-training a generative model on fully observed (but imperfect) simulation data, then aligning it with partial (but real) observations of experimental data. While our method is domain-agnostic, we ground our approach in the physical sciences by introducing Adversarial Distribution Alignment (ADA). This method aligns a generative model of atomic positions -- initially trained on a simulated Boltzmann distribution -- with the distribution of experimental observations. We prove that our method recovers the target observable distribution, even with multiple, potentially correlated observables. We also empirically validate our framework on synthetic, molecular, and experimental protein data, demonstrating that it can align generative models with diverse observables. Our code is available at https://kaityrusnelson.com/ada/.
• Abstract（参考訳）: 科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 我々はしばしば物理法則に関する事前の知識を持っているが、これらの物理法則は複雑なシステムに対して正確に解くのが難しすぎる。 このようなシステムは一般にシミュレータを使ってモデル化され、計算近似を課す。 一方、実験的な測定は現実世界をより忠実に表現するが、実験的なデータは典型的にはシステムの完全な基盤状態を部分的に反映した観測から成り立っている。 本稿では,このシミュレーションと実験のギャップを埋める,データ駆動型分布アライメントフレームワークを提案する。 提案手法はドメインに依存しないが,Adversarial Distribution Alignment (ADA)を導入して,物理科学にアプローチする。 この方法は、当初シミュレーションされたボルツマン分布で訓練された原子位置の生成モデルと、実験的な観測の分布とを一致させる。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。 また, 合成, 分子, 実験的なタンパク質データに関する枠組みを実証的に検証し, 生成モデルと様々な可観測物質との整合性を実証した。 私たちのコードはhttps://kaityrusnelson.com/ada/で利用可能です。

関連論文リスト

• From Biased to Unbiased Dynamics: An Infinitesimal Generator Approach [24.560340485988128]
  時間反転不変過程における進化作用素の固有関数の学習について検討する。 ランゲヴィン方程式によって説明される多くの物理的または化学的過程は、高いポテンシャル障壁によって分離された準安定状態間の遷移を含む。 本稿では,プロセスの無限小生成と関連する分解剤演算子に根ざした偏りのあるシミュレーションから学習するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-13T12:02:51Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Intervention Generalization: A View from Factor Graph Models [7.117681268784223]
  操作されたシステムの分布の因子化に関する最小限の仮定に基づいて、過去の実験から新しい条件への飛躍をいかに保証するかを詳しく検討する。 仮定された$textitinterventional Factor Model$ (IFM) は必ずしも情報であるとは限らないが、不測のコンバウンディングとフィードバックのメカニズムを明示的にモデル化する必要性を便利に抽象化する。
  論文  参考訳（メタデータ） (2023-06-06T21:44:23Z)
• Ensemble flow reconstruction in the atmospheric boundary layer from spatially limited measurements through latent diffusion models [0.32955181898067526]
  機械学習技術は、従来、標準的な流体力学問題において、観測されていない流れ領域を再構築してきた。 これらの技術は3次元大気境界層ではまだ実証されていない。
  論文  参考訳（メタデータ） (2023-03-01T21:55:10Z)
• Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
  不均一な治療効果を推定することは、多くの領域において重要な問題である。 現在、現存するほとんどの作品は観測データにのみ依存している。 本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
  論文  参考訳（メタデータ） (2022-02-25T18:59:54Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。