Fugu-MT 論文翻訳(概要): AI models of unstable flow exhibit hallucination

論文の概要: AI models of unstable flow exhibit hallucination

arxiv url: http://arxiv.org/abs/2604.20372v1
Date: Wed, 22 Apr 2026 09:12:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-23 15:36:11.063753
Title: AI models of unstable flow exhibit hallucination
Title（参考訳）: 不安定な流れのAIモデルによる幻覚
Authors: Ramdhan Wibawa, Birendra Jha,
Abstract要約: 流体力学のAIモデルにおける幻覚の最初の体系的な証拠を報告する。これらの幻覚は、保護法に反する急激な流体界面と逆拡散として現れる。私たちはAI駆動流体力学の新しいフレームワークDeepFingersを紹介します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We report the first systematic evidence of hallucination in AI models of fluid dynamics, demonstrated in the canonical problem of hydrodynamically unstable transport known as viscous fingering. AI-based modeling of flow with instabilities remains challenging because rapidly evolving, multiscale fingering patterns are difficult to resolve accurately. We identify solutions that appear visually realistic yet are physically implausible, analogous to hallucinations in large language models. These hallucinations manifest as spurious fluid interfaces and reverse diffusion that violate conservation laws. We show that their origin lies in the spectral bias of AI models, which becomes dominant at high flow rates and viscosity contrasts. Guided by this insight, we introduce DeepFingers, a new framework for AI-driven fluid dynamics that enforces balanced learning across the full spectrum of spatial modes by combining the Fourier Neural Operator with a Deep Operator Network to predict the spatiotemporal evolution of viscous fingers. By conditioning on both time and viscosity contrast, DeepFingers learns mappings between successive concentration fields across regimes. The framework accurately captures tip splitting, finger merging, and channel formation while preserving global metrics of mixing. The results open a new research direction to investigate fundamental limitations in AI models of physical systems.
Abstract（参考訳）: 我々は流体力学のAIモデルにおける幻覚の最初の体系的証拠を報告し、粘性フィンガーリングとして知られる流体力学的不安定輸送の正準問題で実証した。 AIに基づく不安定性のあるフローのモデリングは、急速に進化するマルチスケールフィンガーディングパターンが正確な解決が難しいため、依然として困難である。視覚的に現実的に見えるが、物理的には理解できない解は、大きな言語モデルにおける幻覚と類似している。これらの幻覚は、保護法に反する急激な流体界面と逆拡散として現れる。その起源は、高流量と粘性コントラストで支配的なAIモデルのスペクトルバイアスにあることを示す。この知見に導かれたDeepFingersは、Fourier Neural OperatorとDeep Operator Networkを組み合わせて、粘性指の時空間進化を予測することによって、空間モードの全スペクトルにわたってバランスの取れた学習を強制する、AI駆動流体力学の新しいフレームワークである。時間と粘度を両立させることで、DeepFingersはレジーム間の連続する濃度場のマッピングを学ぶ。このフレームワークは、ミキシングのグローバルな指標を保存しながら、チップ分割、指のマージ、チャネル形成を正確にキャプチャする。結果は、物理システムのAIモデルの基本的限界を研究するための新しい研究方向を開く。

関連論文リスト

DynHD: Hallucination Detection for Diffusion Large Language Models via Denoising Dynamics Deviation Learning [48.77865928715759]
拡散大言語モデル (D-LLM) は自己回帰モデルに代わる有望な代替品として登場した。幻覚は信頼性を損なう重要な問題です本研究では,これらのギャップを空間的(トケンシーケンス)と時間的(デノナイジングダイナミクス)の両方の観点から橋渡しするDynHDを提案する。
論文参考訳（メタデータ） (2026-03-17T12:40:29Z)
Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
論文参考訳（メタデータ） (2026-03-16T17:20:38Z)
UnCLe: Towards Scalable Dynamic Causal Discovery in Non-linear Temporal Systems [4.9593603893289115]
スケーラブルな動的因果探索のための新しい深層学習手法UnCLeを提案する。 UnCLeはUncouplerとRecouplerの2つのネットワークを使って、入力時系列を意味表現に分解する。時間的摂動によって引き起こされるデータポイントワイズ予測誤差を解析することにより、動的因果影響を推定する。
論文参考訳（メタデータ） (2025-11-05T04:34:31Z)
Floating-Body Hydrodynamic Neural Networks [8.501171043928354]
本研究では, 方向付加質量, ドラッグ係数, 流路関数に基づく流れなどの解釈可能なパラメータを予測し, 解析的な運動方程式と結合する物理構造フレームワークを提案する。ハミルトンニューラルネットワークやラグランジアンニューラルネットワークと比較して、FHNNは、ブラックボックス学習と透明システム識別のギャップを埋める解釈可能性を維持しながら、散逸ダイナミクスをより効果的に扱う。
論文参考訳（メタデータ） (2025-09-17T07:51:35Z)
Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文参考訳（メタデータ） (2025-07-15T17:57:48Z)
Consistent World Models via Foresight Diffusion [56.45012929930605]
我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
論文参考訳（メタデータ） (2025-05-22T10:01:59Z)
DiffFluid: Plain Diffusion Models are Effective Predictors of Flow Dynamics [16.660107496540146]
各種作業条件下での流体力学の効果的な予測因子としてトランスフォーマーを用いた平ら拡散モデルを示す。本手法は,画像翻訳問題としてフローダイナミクスの予測を定式化し,平らな拡散モデルを用いてこの問題に対処する。
論文参考訳（メタデータ） (2024-09-20T17:19:03Z)
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。我々はNeuroFluidという2段階の異なるネットワークを提案する。初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文参考訳（メタデータ） (2022-03-03T15:13:29Z)
Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
論文参考訳（メタデータ） (2021-06-15T17:45:32Z)
Real-time simulation of parameter-dependent fluid flows through deep learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文参考訳（メタデータ） (2021-06-10T13:07:33Z)
Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文参考訳（メタデータ） (2021-04-22T19:20:47Z)

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。