論文の概要: Agentic Exploration of PDE Spaces using Latent Foundation Models for Parameterized Simulations

• arxiv url: http://arxiv.org/abs/2604.09584v1
• Date: Thu, 26 Feb 2026 20:39:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.519591
• Title: Agentic Exploration of PDE Spaces using Latent Foundation Models for Parameterized Simulations
• Title（参考訳）: パラメータ化シミュレーションのための潜在基礎モデルを用いたPDE空間のエージェント探索
• Authors: Abhijeet Vishwasrao, Francisco Giral, Mahmoud Golestanian, Federica Tonti, Andrea Arroyo Ramo, Adrian Lozano-Duran, Steven L. Brunton, Sergio Hoyas, Soledad Le Clainche, Hector Gomez, Ricardo Vinuesa,
• Abstract要約: 偏微分方程式(PDE)によって支配される流れやより広い物理現象は、本質的に連続であり、高次元であり、しばしばカオスである。 伝統的に、研究者はこれらの豊富なPDE解空間を実験室実験や計算に高価な数値シミュレーションを用いて探索してきた。 本研究は,フローフィールドの明示的,コンパクトかつ不整合な潜在表現を学習するパラメトリドシミュレーション上の生成モデルLFMと多エージェントLPMを結合することにより,この問題に対処する。
• 参考スコア（独自算出の注目度）: 5.931951549967812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow physics and more broadly physical phenomena governed by partial differential equations (PDEs), are inherently continuous, high-dimensional and often chaotic in nature. Traditionally, researchers have explored these rich spatiotemporal PDE solution spaces using laboratory experiments and/or computationally expensive numerical simulations. This severely limits automated and large-scale exploration, unlike domains such as drug discovery or materials science, where discrete, tokenizable representations naturally interface with large language models. We address this by coupling multi-agent LLMs with latent foundation models (LFMs), a generative model over parametrised simulations, that learns explicit, compact and disentangled latent representations of flow fields, enabling continuous exploration across governing PDE parameters and boundary conditions. The LFM serves as an on-demand surrogate simulator, allowing agents to query arbitrary parameter configurations at negligible cost. A hierarchical agent architecture orchestrates exploration through a closed loop of hypothesis, experimentation, analysis and verification, with a tool-modular interface requiring no user support. Applied to flow past tandem cylinders at Re = 500, the framework autonomously evaluates over 1,600 parameter-location pairs and discovers divergent scaling laws: a regime-dependent two-mode structure for minimum displacement thickness and a robust linear scaling for maximum momentum thickness, with both landscapes exhibiting a dual-extrema structure that emerges at the near-wake to co-shedding regime transition. The coupling of the learned physical representations with agentic reasoning establishes a general paradigm for automated scientific discovery in PDE-governed systems.
• Abstract（参考訳）: 流れ物理学やより広い物理現象は、偏微分方程式(PDE)によって支配され、本質的に連続であり、高次元であり、しばしばカオスである。 伝統的に、研究者はこれらの豊富な時空間PDE解空間を実験室実験や計算に高価な数値シミュレーションを用いて探索してきた。 薬の発見や物質科学のような分野とは異なり、離散的でトークン化可能な表現が大きな言語モデルと自然に相互作用する。 本研究では,多エージェントLLMをパラメータモデル(LFM)に結合することで,流れ場の明示的,コンパクトかつ非絡み合った潜在表現を学習し,PDEパラメータと境界条件の連続的な探索を可能にする。 LFMはオンデマンドサロゲートシミュレータとして機能し、エージェントは任意のパラメータ設定を無視可能なコストでクエリすることができる。 階層的エージェントアーキテクチャは、仮説、実験、分析、検証のクローズドループを通じて探索をオーケストレーションする。 Re = 500のタンデムシリンダーを通り過ぎていく場合、このフレームワークは1,600以上のパラメータ配置ペアを自律的に評価し、異なるスケーリング法則を発見する: 最小の変位厚さに対する状態依存の2モード構造と最大運動量厚さに対する堅牢な線形スケーリング。 学習された物理表現とエージェント推論の結合は、PDEが支配するシステムにおける自動科学的発見の一般的なパラダイムを確立する。

関連論文リスト

• OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
  大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。 我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
  論文  参考訳（メタデータ） (2026-03-16T18:29:01Z)
• Out-of-distribution generalization of deep-learning surrogates for 2D PDE-generated dynamics in the small-data regime [1.9116784879310027]
  本研究では,周期領域における2次元PDEダイナミクスのための自己回帰的深層学習サロゲートについて検討する。 小データの周期的な2D PDE設定では、局所性に整合した帰納的バイアスを持つ畳み込みアーキテクチャは、正確かつ適度にアウト・オブ・ディストリビューション・ロバスト・サロゲート・モデリングの強力な競争相手のままである。
  論文  参考訳（メタデータ） (2026-01-13T10:20:59Z)
• CompNO: A Novel Foundation Model approach for solving Partial Differential Equations [0.0]
  偏微分方程式は幅広い物理現象を支配しているが、その数値解は計算的に要求されるままである。 最近のSFM(Scientific Foundation Models)は、シミュレーションシステムの大規模なコレクションから普遍的なサロゲートを学習することで、このコストを軽減することを目的としている。 パラメトリックPDEのための合成ニューラルネットワークフレームワークCompNOを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T10:04:48Z)
• Latent Twins [0.3078691410268859]
  基礎となる方程式に対して、潜在空間に隠された代理を生成する統一フレームワークを提案する。 ラテント・ツインズは、作用素によって支配される学習されたラテント空間の数学的システムをミラーする。
  論文  参考訳（メタデータ） (2025-09-24T23:43:19Z)
• DREAMS: Density Functional Theory Based Research Engine for Agentic Materials Simulation [1.3821435284269523]
  エージェント材料スクリーニングのためのDFTベースリサーチエンジン(DREAMS)について紹介する。 DREAMSはDFTシミュレーションのための階層的マルチエージェントフレームワークであり、LLM(Central Large Language Model)プランナーエージェントとドメイン固有のLLMエージェントを組み合わせたものである。 DREAMSをSol27LC格子定数ベンチマークで検証し,人間のDFT専門家と比較すると平均誤差を1%以下に抑えることができた。
  論文  参考訳（メタデータ） (2025-07-18T15:26:04Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
  我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。 数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
  論文  参考訳（メタデータ） (2023-01-30T04:58:40Z)
• Data-driven Control of Agent-based Models: an Equation/Variable-free Machine Learning Approach [0.0]
  複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。 提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM)) 創発力学の数値分岐解析を行うために方程式のない手法を用いる。 我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
  論文  参考訳（メタデータ） (2022-07-12T18:16:22Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)

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。