論文の概要: PI-JEPA: Label-Free Surrogate Pretraining for Coupled Multiphysics Simulation via Operator-Split Latent Prediction

• arxiv url: http://arxiv.org/abs/2604.01349v1
• Date: Wed, 01 Apr 2026 20:02:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.870012
• Title: PI-JEPA: Label-Free Surrogate Pretraining for Coupled Multiphysics Simulation via Operator-Split Latent Prediction
• Title（参考訳）: PI-JEPA:演算子分割遅延予測による多物理連成シミュレーションのためのラベルフリーサロゲートプレトレーニング
• Abstract要約: 完備したPDE解決を伴わずに訓練を行う補助的事前学習フレームワークである textbfPI-JEPA (Physics-Informed Joint Embedding Predictive Architecture) を導入する。 単相Darcyフローでは、PI-JEPAはFNOよりも1.9times$低いエラーと2.4times$低いエラーをDeepONetより$N_ell=100$で達成し、N_ell=500$で教師のみのトレーニングよりも24%改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reservoir simulation workflows face a fundamental data asymmetry: input parameter fields (geostatistical permeability realizations, porosity distributions) are free to generate in arbitrary quantities, yet existing neural operator surrogates require large corpora of expensive labeled simulation trajectories and cannot exploit this unlabeled structure. We introduce \textbf{PI-JEPA} (Physics-Informed Joint Embedding Predictive Architecture), a surrogate pretraining framework that trains \emph{without any completed PDE solves}, using masked latent prediction on unlabeled parameter fields under per-sub-operator PDE residual regularization. The predictor bank is structurally aligned with the Lie--Trotter operator-splitting decomposition of the governing equations, dedicating a separate physics-constrained latent module to each sub-process (pressure, saturation transport, reaction), enabling fine-tuning with as few as 100 labeled simulation runs. On single-phase Darcy flow, PI-JEPA achieves $1.9\times$ lower error than FNO and $2.4\times$ lower error than DeepONet at $N_\ell{=}100$, with 24\% improvement over supervised-only training at $N_\ell{=}500$, demonstrating that label-free surrogate pretraining substantially reduces the simulation budget required for multiphysics surrogate deployment.
• Abstract（参考訳）: 入力パラメータフィールド(幾何学的透過性の実現、ポロシティ分布)は任意の量で自由に生成できるが、既存のニューラルネットワークサロゲートは大量の高価なラベル付きシミュレーショントラジェクトリを必要とし、このラベルのない構造を利用できない。 サブオペレーショナルPDE残差正規化の下での未ラベルパラメータフィールドに対するマスク付き潜時予測を用いて, \emph{without any complete PDE solves} をトレーニングするサロゲート事前学習フレームワークである \textbf{PI-JEPA} を導入する。 予測バンクは、制御方程式のLie-Trotter演算子分割分解と構造的に整合し、各サブプロセス(圧力、飽和輸送、反応)に別々の物理制約の潜在モジュールを割り当て、100個のラベル付きシミュレーションランを微調整することができる。 単相ダーシーフローでは、PI-JEPAはFNOよりも1.9\times$低いエラー、$N_\ell{=}100$でDeepONetよりも2.4\times$低いエラーを達成する。

関連論文リスト

• Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
  本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。 核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
  論文  参考訳（メタデータ） (2026-09-02T13:15:50Z)
• Physics-Informed Neural Operator for Warm-Starting Background-Decomposed and Preconditioned PSFD: Enabling Scalable 3-D EUV Mask Simulation [0.8747606955991706]
  本研究では,EUVリソグラフィにおける電磁散乱問題に対する擬スペクトル周波数領域方程式を訓練した物理インフォームド・ニューラル演算子(PINO)を提案する。 PINOは、事前計算されたEMフィールドソリューションを使わずに、トレーニングイテレーション毎にランダムにサンプリングされたLithoBenchライブラリから約16,000のマスク設計でトレーニングされている。 The PINO surrogate model yields a mean absolute error of about 7, times 10-3$ for the scattered intensity of hold-out mask pattern relative to the reference PSFD solution。
  論文  参考訳（メタデータ） (2026-07-28T06:31:21Z)
• Metric--Phase Fields: Decoupling Distance and Sign for Thin-Structure Reconstruction from Unoriented Point Clouds [67.30236447078187]
  本稿では,距離近接を位相相から分離する非結合な暗黙的表現であるMetric-Phase Fields (MPFs)を紹介する。 合成および走査された薄殻形状と薄板形状の両方の実験により、MPFは最近のSDF法よりも薄くて層状構造を忠実に保存することが示された。
  論文  参考訳（メタデータ） (2026-05-25T07:08:57Z)
• WINO: A Weak-Form Physics Informed Neural Operator for Hyperelasticity on Variable Domains [3.8397427914728426]
  WINOは、ニューラル演算子の効率と$varphi$-FEM法の幾何学的柔軟性を組み合わせたデータフリーフレームワークである。 WINOは全てのベンチマークで0.04未満の精度を達成し、純粋なデータ駆動方式と比較して計算時間を50-80%削減した。
  論文  参考訳（メタデータ） (2026-05-23T16:35:08Z)
• A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation [0.0]
  MELCORのようなシステムレベルのコードを用いた重大事故解析は、核安全性評価には不可欠である。 既存のサロゲートモデルはこれらの解析を加速するが、大量のシミュレーションデータに依存する。 物理インフォームドニューラルネットワーク(PINN)は、データフリーなトレーニングを可能にするが、問題パラメータの変更毎に再トレーニングする必要がある。
  論文  参考訳（メタデータ） (2026-04-03T02:50:58Z)
• Operator Learning Using Weak Supervision from Walk-on-Spheres [81.26322147849918]
  トレーニング型PDEソルバは、高価なデータ生成や不安定な物理インフォームドニューラルネットワーク(PINN)によってボトルネックされることが多い モンテカルロ法を用いてPDEの解をトレーニング中の弱監督過程として推定する手法を提案する。
  論文  参考訳（メタデータ） (2026-03-01T17:23:39Z)
• Variational Entropic Optimal Transport [67.76725267984578]
  本稿では,ドメイン翻訳問題に対する変分エントロピー最適輸送(VarEOT)を提案する。 VarEOTは、補助正の正規化子上のトラクタブルな一般化として、log-partition $log mathbbE[exp(cdot)$の正確な変分再構成に基づいている。 合成データと画像と画像の変換に関する実験は、競争力のあるか、あるいはより良い翻訳品質を示す。
  論文  参考訳（メタデータ） (2026-02-02T15:48:44Z)
• Optimal Sample Complexity for Single Time-Scale Actor-Critic with Momentum [62.691095807959215]
  我々は,シングルタイムスケールアクター・クリティック(AC)アルゴリズムを用いて,$O(-2)$の最適なグローバルポリシを得るための最適なサンプル複雑性を確立する。 これらのメカニズムは、既存のディープラーニングアーキテクチャと互換性があり、実用的な適用性を損なうことなく、小さな修正しか必要としない。
  論文  参考訳（メタデータ） (2026-02-02T00:35:42Z)
• Accelerating PDE Solvers with Equation-Recast Neural Operator Preconditioning [9.178290601589365]
  Minimal-Data Parametric Neural Operator Preconditioning (MD-PNOP) はパラメトリックPDEソルバを高速化するための新しいパラダイムである。 パラメータ偏差の残差を、トレーニングされたニューラル演算子を使用して、オフラインでソリューションを洗練させる、追加のソース用語として再キャストする。 固定ソース、単一グループ固有値、および多群結合固有値問題に対する完全順序忠実度を維持しつつ、計算時間の50%削減を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-01T12:14:58Z)
• Optimization and generalization analysis for two-layer physics-informed neural networks without over-parametrization [0.6215404942415159]
  本研究は、物理インフォームドニューラルネットワーク(PINN)を用いた最小二乗回帰の解法における勾配降下(SGD)の挙動に焦点を当てる。 ネットワーク幅が$epsilon$と問題のみに依存するしきい値を超えると、トレーニング損失と期待損失は$O(epsilon)$以下になる。
  論文  参考訳（メタデータ） (2025-07-22T09:24:22Z)
• Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
  本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。 この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。 45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
  論文  参考訳（メタデータ） (2025-07-21T18:15:12Z)
• MaskPro: Linear-Space Probabilistic Learning for Strict (N:M)-Sparsity on Large Language Models [53.36415620647177]
  半構造化された空間は、M$M$の重みからN$の要素を戦略的に保持することで、有望なソリューションを提供する。 既存の(N:M)互換のアプローチは通常、かなりのエラーに悩まされるルールベースの階層的な欲求探索と、禁止的なトレーニングコストを引き起こす勾配駆動学習の2つのカテゴリに分類される。 MaskProという新しい線形空間確率的フレームワークを提案する。これは、M$連続重みごとに事前のカテゴリー分布を学習し、その後、この分布を活用して(N:M)スパーシリティを$N$-wayサンプリングを通じて生成することを目的としている。
  論文  参考訳（メタデータ） (2025-06-15T15:02:59Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Postselection-free approach to monitored quantum dynamics and entanglement phase transitions [0.0]
  観測された量子回路における測定誘起絡み合い相転移は、様々な研究コミュニティの活動を刺激している。 我々は、$U(1)$対称回路にスケーラブルなプロトコルを導入することで解決法を提案する。
  論文  参考訳（メタデータ） (2024-06-27T09:59:58Z)

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。