論文の概要: Integrating Artificial Intelligence, Physics, and Internet of Things: A Framework for Cultural Heritage Conservation

• arxiv url: http://arxiv.org/abs/2604.03233v1
• Date: Tue, 27 Jan 2026 13:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.33545
• Title: Integrating Artificial Intelligence, Physics, and Internet of Things: A Framework for Cultural Heritage Conservation
• Title（参考訳）: 人工知能、物理、モノのインターネットの統合:文化遺産保存のための枠組み
• Authors: Carmine Valentino, Federico Pichi, Francesco Colace, Dajana Conte, Gianluigi Rozza,
• Abstract要約: 本稿では,文化財の保存を支援する新しい枠組みを提案する。 それはIoT(Internet of Things)とAI(Artificial Intelligence)技術を組み合わせて、現象の物理的知識を強化している。
• 参考スコア（独自算出の注目度）: 0.08699280339422537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The conservation of cultural heritage increasingly relies on integrating technological innovation with domain expertise to ensure effective monitoring and predictive maintenance. This paper presents a novel framework to support the preservation of cultural assets, combining Internet of Things (IoT) and Artificial Intelligence (AI) technologies, enhanced with the physical knowledge of phenomena. The framework is structured into four functional layers that permit the analysis of 3D models of cultural assets and elaborate simulations based on the knowledge acquired from data and physics. A central component of the proposed framework consists of Scientific Machine Learning, particularly Physics-Informed Neural Networks (PINNs), which incorporate physical laws into deep learning models. To enhance computational efficiency, the framework also integrates Reduced Order Methods (ROMs), specifically Proper Orthogonal Decomposition (POD), and is also compatible with classical Finite Element (FE) methods. Additionally, it includes tools to automatically manage and process 3D digital replicas, enabling their direct use in simulations. The proposed approach offers three main contributions: a methodology for processing 3D models of cultural assets for reliable simulation; the application of PINNs to combine data-driven and physics-based approaches in cultural heritage conservation; and the integration of PINNs with ROMs to efficiently model degradation processes influenced by environmental and material parameters. The reproducible and open-access experimental phase exploits simulated scenarios on complex and real-life geometries to test the efficacy of the proposed framework in each of its key components, allowing the possibility of dealing with both direct and inverse problems. Code availability: https://github.com/valc89/PhysicsInformedCulturalHeritage
• Abstract（参考訳）: 文化遺産の保存は、効果的な監視と予測保守を確保するために、技術革新とドメインの専門知識の統合にますます依存している。 本稿では,モノのインターネット(IoT)と人工知能(AI)技術を組み合わせて,現象の物理的知識を付加した,文化財の保存を支援する新しい枠組みを提案する。 このフレームワークは4つの機能レイヤで構成されており、文化資産の3次元モデルの解析と、データと物理学から得られた知識に基づく精巧なシミュレーションを可能にする。 提案するフレームワークの中心的なコンポーネントは、物理法則をディープラーニングモデルに組み込んだ科学機械学習、特に物理情報ニューラルネットワーク(PINN)である。 計算効率を向上させるため、このフレームワークはリダクション・オーダー・メソッド(ROM)、特に適切な直交分解(POD)を統合し、古典的有限要素法(FE)と互換性がある。 さらに、3Dデジタルレプリカを自動で管理し、処理するツールが含まれており、シミュレーションで直接使用することができる。 提案手法は, 信頼性シミュレーションのための3次元文化財の3次元モデル処理手法, 文化遺産保護におけるデータ駆動型および物理ベースのアプローチを組み合わせたPINN, 環境・材料パラメータの影響を受けやすい劣化過程を効率的にモデル化するためのROMとの統合の3つの主要な貢献を提供する。 再現可能でオープンアクセス可能な実験段階は、複雑かつ現実的な幾何学のシミュレーションシナリオを利用して、提案したフレームワークのそれぞれの主要コンポーネントにおける有効性を検証し、直接問題と逆問題の両方に対処することができる。 コードの可用性: https://github.com/valc89/PhysicsInformedCulturalHeritage

関連論文リスト

• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• Learning PDE Solvers with Physics and Data: A Unifying View of Physics-Informed Neural Networks and Neural Operators [28.75368696496758]
  偏微分方程式(PDE)は科学モデリングの中心である。 現代のコンポーネントは、大規模な計算プロセスにおけるモデルの再利用、推論、統合をサポートするために、学習ベースのコンポーネントにますます依存している。
  論文  参考訳（メタデータ） (2026-01-20T22:19:41Z)
• Position Paper: Metadata Enrichment Model: Integrating Neural Networks and Semantic Knowledge Graphs for Cultural Heritage Applications [8.732274235941974]
  本稿では,メタデータをデジタル化するための概念的フレームワークであるMetadata Enrichment Model(MEM)を提案する。 MEMは、微調整されたコンピュータビジョンモデル、大きな言語モデル、構造化知識グラフを組み合わせる。 我々はジャギロニアデジタル図書館からデジタル化されたインキュナブラのデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-05-29T15:22:18Z)
• Toward Knowledge-Guided AI for Inverse Design in Manufacturing: A Perspective on Domain, Physics, and Human-AI Synergy [0.8399688944263844]
  AIは製造における逆設計を再構築し、材料、製品、プロセスにおける高性能な発見を可能にしている。 しかし、純粋にデータ駆動のアプローチは、スパースデータ、高次元の設計空間、複雑な制約によって特徴づけられる現実的な製造環境に苦しむことが多い。 この視点は、3つの補完的な柱の上に構築された統合フレームワークを提案する: 物理的に意味のある目的と制約を確立するためのドメイン知識と、限定的または偏りのあるデータに基づく一般化を強化する物理インフォームド機械学習、直感的で人間中心のインタラクションをサポートするための大規模言語モデルベースのインターフェイス。
  論文  参考訳（メタデータ） (2025-05-29T08:15:27Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• A Hybrid Virtual Element Method and Deep Learning Approach for Solving One-Dimensional Euler-Bernoulli Beams [0.0]
  深層学習にVirtual Element Method(VEM)を統合するハイブリッドフレームワークを提案する。 主な目的は、様々な物質変位のフィールドを予測できるデータ駆動サロゲートモデルを探索することである。 ニューラルネットワークアーキテクチャを導入して、ノイズと物質固有のデータを別々に処理し、複雑なインタラクションを効果的にキャプチャする。
  論文  参考訳（メタデータ） (2025-01-12T20:34:26Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• OmniArch: Building Foundation Model For Scientific Computing [35.41293100957156]
  OmniArchは,物理アライメントによるマルチスケール・マルチ物理科学計算問題の解決を目的とした,最初のプロトタイプである。 PDEBench上で1D-2D-3Dの統合事前トレーニングを行い、1D, 2D, 3D PDEの新たなパフォーマンスベンチマークを設定するだけでなく、コンテキスト内およびゼロショット学習アプローチによる新しい物理への例外的な適応性を示す。
  論文  参考訳（メタデータ） (2024-02-25T07:19:01Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。