論文の概要: Generative Flow Networks for Model Adaptation in Digital Twins of Natural Systems

• arxiv url: http://arxiv.org/abs/2604.20707v1
• Date: Wed, 22 Apr 2026 15:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.208242
• Title: Generative Flow Networks for Model Adaptation in Digital Twins of Natural Systems
• Title（参考訳）: 自然系のディジタル双対におけるモデル適応のための生成フローネットワーク
• Authors: Pascal Archambault, Houari Sahraoui, Eugene Syriani,
• Abstract要約: 本稿では,自然系のデジタル双対に対するモデル適応のためのGFlowNetに基づくアプローチを提案する。 完全シミュレータ構成上の生成的モデリング問題として適応を定式化する。 学習方針は適応ランドスケープの支配的な領域を回復し、強い校正仮説を復元し、不確実性の下で複数の可算構成を保存する。
• 参考スコア（独自算出の注目度）: 0.1223474232275842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital twins of natural systems must remain aligned with physical systems that evolve over time, are only partially observed, and are typically modeled by mechanistic simulators whose parameters cannot be measured directly. In such settings, model adaptation is naturally posed as a simulation-based inference problem. However, sparse and indirect observations often fail to identify a unique and optimal calibration, leaving several simulator parameterizations compatible with the available evidence. This article presents a GFlowNet-based approach to model adaptation for digital twins of natural systems. We formulate adaptation as a generative modeling problem over complete simulator configurations, so that plausible parameterizations can be sampled with probability proportional to a reward derived from agreement between simulated and observed behavior. Using a controlled environment agriculture case study based on a mechanistic tomato model, we show that the learned policy recovers dominant regions of the adaptation landscape, retrieves strong calibration hypotheses, and preserves multiple plausible configurations under uncertainty.
• Abstract（参考訳）: 自然系のデジタル双対は、時間とともに進化し、部分的にしか観察されず、パラメータを直接測定できないメカニカルシミュレーターによってモデル化される物理系と一致し続けなければならない。 このような設定では、モデル適応は自然にシミュレーションベースの推論問題として表される。 しかし、スパースと間接的な観測は、しばしば特異で最適な校正を特定できず、いくつかのシミュレータのパラメータ化は、利用可能な証拠と互換性を残している。 本稿では,自然系のデジタル双対に対するモデル適応のためのGFlowNetに基づくアプローチを提案する。 完全シミュレータ構成に対する生成的モデリング問題として適応を定式化することにより、シミュレーションと観察された振る舞いの一致から得られる報酬に比例して、妥当なパラメータ化をサンプリングすることができる。 メカニスティックトマトモデルに基づく制御環境農業ケーススタディを用いて,学習方針が適応景観の優占領域を回復し,強い校正仮説を復元し,不確実な条件下で複数の可塑性構成を保存することを示す。

関連論文リスト

• Bayesian Calibration and Model Assessment of Cell Migration Dynamics with Surrogate Model Integration [0.0]
  ベイジアンキャリブレーションを用いた細胞移動モデルにおけるパラメータ確率分布を系統的に評価する。 このアプローチはパラメータの不確実性、予測性能、解釈可能性の合同解析を可能にする。
  論文  参考訳（メタデータ） (2025-09-23T13:45:16Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• 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)
• Learning to Simulate Tree-Branch Dynamics for Manipulation [26.808346972775368]
  そこで本研究では,木枝の動力学をモデル化するために,シミュレーション駆動逆推論手法を提案する。 本モデルでは, 変形軌跡を予測し, 推定の不確かさを定量化し, ベースラインが他の推論アルゴリズムに逆らう場合, 精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-06T05:17:02Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Hybrid Machine Learning Modeling of Engineering Systems -- A Probabilistic Perspective Tested on a Multiphase Flow Modeling Case Study [0.0]
  本稿では,第1原理モデルの処理条件のチューニングを可能にする,ハイブリッドモデリング機械学習フレームワークを提案する。 我々の手法は第一原理モデルパラメータの期待値を推定するだけでなく、これらの推定の不確実性を定量化する。 シミュレーションの結果, 得られたハイブリッドモデルの不確実性推定を用いて, より良い操作決定を行う方法が示された。
  論文  参考訳（メタデータ） (2022-05-18T20:15:25Z)
• Surrogate Modeling for Physical Systems with Preserved Properties and Adjustable Tradeoffs [0.0]
  代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。 後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。 我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
  論文  参考訳（メタデータ） (2022-02-02T17:07:02Z)
• 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)
• End-to-end neural network approach to 3D reservoir simulation and adaptation [0.0]
  貯留層シミュレーションと適応問題に対する統一的なアプローチを提示する。 単一のニューラルネットワークモデルは、3D貯留層モデルの初期地質パラメータから前方通過を可能にする。 提案手法は,数桁のシミュレーション速度アップの利点を生かして,正確な貯留層シミュレーションと履歴マッチングを提供する。
  論文  参考訳（メタデータ） (2021-02-20T10:03:45Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。