論文の概要: Wavelet Flow Matching for Multi-Scale Physics Emulation
- arxiv url: http://arxiv.org/abs/2605.16573v1
- Date: Fri, 15 May 2026 19:24:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:46.71304
- Title: Wavelet Flow Matching for Multi-Scale Physics Emulation
- Title（参考訳）: マルチスケール物理エミュレーションのためのウェーブレットフローマッチング
- Authors: Gabriele Accarino, Juan Nathaniel, Carla Roesch, Pierre Gentine, Sara Shamekh, Duncan Watson-Parris, Viviana Acquaviva,
- Abstract要約: 本稿では,ウェーブレット空間に直接最適なトランスポートを行うことで,コストとスキルの現在のトレードオフを克服する新しい生成エミュレータであるWavelet Flow Matching (WFM)を提案する。
カオス流体力学の3つの挑戦的なシステムにおいて、WFMは最先端のモデルと比較して、より優れた長距離安定性、精度、スペクトルコヒーレンスを実現する。
- 参考スコア（独自算出の注目度）: 3.5651667385305967
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate emulation of multi-scale physical systems governed by PDEs demands models that remain stable over long autoregressive rollouts while preserving fine-scale structures. Deterministic emulators produce overly-smoothed predictions, while generative approaches better capture details but are costly. Latent-space generative models have emerged as a compromise but with the additional cost of separately pre-trained autoencoders. We propose Wavelet Flow Matching (WFM), a novel generative emulator that overcomes current trade-offs between cost and skill by performing optimal-transport directly in the multi-scale wavelet space. Rather than learning a latent compression, WFM leverages the hierarchical structure of a U-Net to jointly predict transport velocities of a prescribed wavelet representation. On three challenging systems of chaotic fluid dynamics, WFM achieves superior long-horizon stability, accuracy and spectral coherence compared to state-of-the-art models. Our results clearly position the wavelet space as an effective training-free representation for generative emulation of complex physical dynamics.
- Abstract（参考訳）: PDEが支配するマルチスケール物理システムの正確なエミュレーションは、微細な構造を保ちながら、長時間の自己回帰的なロールアウトに対して安定なモデルを要求する。
決定論的エミュレータは過度に滑らかな予測を生成するが、生成的アプローチは詳細をよりよく捉えるが、コストがかかる。
遅延空間生成モデルは妥協として現れたが、個別に事前訓練されたオートエンコーダのコストが増大した。
マルチスケールウェーブレット空間で直接最適なトランスポートを行うことにより、コストとスキルの現在のトレードオフを克服する新しい生成エミュレータであるWavelet Flow Matching (WFM)を提案する。
遅延圧縮を学習する代わりに、WFMはU-Netの階層構造を利用して、所定のウェーブレット表現の輸送速度を共同で予測する。
カオス流体力学の3つの挑戦的なシステムにおいて、WFMは最先端のモデルと比較して、より優れた長距離安定性、精度、スペクトルコヒーレンスを実現する。
本研究では,ウェーブレット空間を複雑な物理力学の生成的エミュレーションのための効果的なトレーニング自由表現として位置づけた。
関連論文リスト
- Drift Flow Matching [69.16550765154163]
ドリフトフローマッチング(Drift Flow Matching)は,ドリフト生成モデルとフローベース反復生成を結びつけるフレームワークである。
DFMは直接輸送マップの効率を保ちつつ、複数の推論ステップを通じて生成を洗練させる。
論文 参考訳（メタデータ） (2026-05-17T03:58:01Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - WADEPre: A Wavelet-based Decomposition Model for Extreme Precipitation Nowcasting with Multi-Scale Learning [10.39382090254482]
WADEPre はウェーブレットに基づく極度の降水に対する分解モデルであり、モデリングをウェーブレット領域に遷移させる。
SEVIRとShanghai Radarデータセットの実験は、WADEPreが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-02-02T13:40:57Z) - WFR-MFM: One-Step Inference for Dynamic Unbalanced Optimal Transport [9.661016195647212]
任意の時間間隔における輸送と質量成長の両方のダイナミクスを要約した非平衡フローマッチングのための平均フローフレームワークを提案する。
我々は、WFR-MFM(Wasserstein-Fisher-Rao Mean Flow Matching)を開発するためのこのフレームワークをさらに構築する。
WFR-MFMは、予測精度を高く保ちながら、既存のベースラインの範囲よりも高速な推定を実現する。
論文 参考訳（メタデータ） (2026-01-28T13:41:52Z) - Flow marching for a generative PDE foundation model [0.0]
本稿では,物理力学系における誤り蓄積の解析によって動機付けられたフローマッチングを用いて,ニューラル演算子の学習をブリッジするアルゴリズムであるフローマーチングを提案する。
また,物理制約付き変分オートエンコーダ(P2E)を導入し,物理軌道をコンパクトな潜在空間に埋め込む。
異なる12種類のPDEファミリーおよびP2EとFMTのトレインスイートの2.5Mトラジェクトリを複数スケールでキュレートする。
論文 参考訳（メタデータ） (2025-09-23T04:00:41Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - Evolve Smoothly, Fit Consistently: Learning Smooth Latent Dynamics For
Advection-Dominated Systems [14.553972457854517]
複雑な物理系のサロゲートモデルを学ぶための,データ駆動・時空連続フレームワークを提案する。
ネットワークの表現力と特別に設計された整合性誘導正規化を利用して,低次元かつ滑らかな潜在軌道を得る。
論文 参考訳（メタデータ） (2023-01-25T03:06:03Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z)
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。