論文の概要: StreamPhy: Streaming Inference of High-Dimensional Physical Dynamics via State Space Models

• arxiv url: http://arxiv.org/abs/2605.07384v1
• Date: Fri, 08 May 2026 07:40:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.893206
• Title: StreamPhy: Streaming Inference of High-Dimensional Physical Dynamics via State Space Models
• Title（参考訳）: StreamPhy: 状態空間モデルによる高次元物理力学のストリーミング推定
• Authors: Panqi Chen, Yifan Sun, Shikai Fang, Xiao Fu, Lei Cheng,
• Abstract要約: StreamPhyは、不規則な測定からフルフィールド物理力学の効率的なストリーミング推論を可能にするエンドツーエンドフレームワークである。 StreamPhyの精度は48%向上し,拡散法よりも最大20～100倍高速である。
• 参考スコア（独自算出の注目度）: 18.54324737751976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring the evolution of high-dimensional and multi-modal (e.g., spatio-temporal) physical fields from irregular sparse measurements in real time is a fundamental challenge in science and engineering. Existing approaches, including diffusion-based generative models and functional tensor methods, typically operate in offline settings, depend on full temporal observations, or incur substantial inference cost. We propose StreamPhy, an end-to-end framework that enables efficient and accurate streaming inference of full-field physical dynamics from incoming irregular sparse measurements. The framework integrates a data-adaptive observation encoder that is robust to arbitrary observation patterns, a structured state-space model that supports memory-efficient online updates across irregular time intervals, and an expressive Functional Tensor Feature-wise Linear Modulation (FT-FiLM) decoder for continuous-field generation. We prove that FT-FiLM is more expressive than the functional Tucker model, admitting a richer function class for handling complex dynamics. Experiments on three representative physical systems under challenging sampling patterns show that StreamPhy consistently outperforms state-of-the-art baselines, with at least 48\% improvement in accuracy and up to 20--100X faster inference than diffusion-based methods.
• Abstract（参考訳）: 高次元および多モード(例えば時空間)の物理場の進化を、不規則なスパース測定からリアルタイムで推定することは、科学と工学における根本的な課題である。 拡散に基づく生成モデルや関数テンソル法を含む既存のアプローチは、通常オフライン環境で動作し、完全な時間的観測に依存する。 提案するStreamPhyは,不規則なスパース測定から全フィールド物理力学を効率よく,正確なストリーミング推定を可能にする,エンドツーエンドのフレームワークである。 このフレームワークは、任意の観測パターンに対して堅牢なデータ適応型観測エンコーダ、不規則な時間間隔でメモリ効率の高いオンライン更新をサポートする構造化状態空間モデル、連続場生成のための表現型関数テンソル特徴量線形変調(FT-FiLM)デコーダを統合する。 FT-FiLMは機能的タッカーモデルよりも表現力が高いことを証明し、複雑な力学を扱うためのよりリッチな関数クラスを認めた。 サンプリングパターンに挑戦する3つの代表的な物理システムの実験では、StreamPhyは、拡散ベースの手法よりも少なくとも48倍の精度で最大20-100倍高速な推論で、最先端のベースラインを一貫して上回っている。

関連論文リスト

• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Operator Flow Matching for Timeseries Forecasting [2.406359246841227]
  既存の自己回帰と拡散に基づくアプローチは、長い、物理的に一貫した予測を制限する累積誤差や離散化アーチファクトに悩まされることが多い。 本研究では、FNO誤差の上限を証明し、チャネル折り畳みによるスパース条件付けを利用した潜時流マッチングモデルであるTempOを提案する。
  論文  参考訳（メタデータ） (2025-10-16T19:40:56Z)
• Modeling Time Series Dynamics with Fourier Ordinary Differential Equations [5.156484100374059]
  FODEはFourierドメインに動的を埋め込むアプローチです。 FODEは、時間領域において解明され続けるグローバルなパターンと周期的な振舞いを明らかにする。 様々な時系列データセットの実験により、FODEは精度と効率の両面で既存の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-05T10:27:45Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• FlowMo: Variance-Based Flow Guidance for Coherent Motion in Video Generation [51.110607281391154]
  FlowMoは、テキスト・ビデオ・モデルにおける動きコヒーレンスを高めるためのトレーニング不要のガイダンス手法である。 時間次元のパッチワイドな分散を測定して動きのコヒーレンスを推定し、サンプリング中にこの分散を動的に減少させるためにモデルを導く。
  論文  参考訳（メタデータ） (2025-06-01T19:55:33Z)
• Generating Full-field Evolution of Physical Dynamics from Irregular Sparse Observations [26.873329262722024]
  不規則なスパース観測から物理力学のフルフィールド進化を生成する新しいフレームワークである関数タッカー空間における逐次拡散について述べる。 本研究では, 復元精度と計算効率の両面で, 最先端の手法と比較して有意な改善が認められた。
  論文  参考訳（メタデータ） (2025-05-14T11:09:15Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)

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。