論文の概要: Weighted Flow Matching and Physics-Informed Nonlinear Filtering for Parameter Estimation in Digital Twins
- arxiv url: http://arxiv.org/abs/2605.17146v1
- Date: Sat, 16 May 2026 20:31:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.707987
- Title: Weighted Flow Matching and Physics-Informed Nonlinear Filtering for Parameter Estimation in Digital Twins
- Title（参考訳）: ディジタル双生児におけるパラメータ推定のための重み付きフローマッチングと物理インフォームド非線形フィルタ
- Authors: Yasar Yanik, Himadri Basu, Ricardo G. Sanfelice, Daniele Venturi,
- Abstract要約: デジタルツイン(DT)は物理システムとその仮想システム間の連続的な同期に依存している。
重み付きフローマッチング(WFM)生成モデルと物理インフォームド非線形フィルタリングを統合した新しい数学的枠組みを開発した。
- 参考スコア（独自算出の注目度）: 2.5967371714399787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital twins (DTs) rely on continuous synchronization between physical systems and their virtual counterparts through online parameter estimation under uncertainty. In many practical settings, however, this task is challenged by low observability, weak excitation, nonlinear dynamics, and noisy or biased measurements. In this work, we develop a new mathematical framework that integrates Weighted Flow Matching (WFM) generative modeling with physics-informed nonlinear filtering to enhance parameter estimation in DTs. WFM relies on dynamic reweighting of training samples, which guides the generative model toward parameter regimes most informative of the evolving system state. This generative component is tightly coupled with a physics-informed filtering architecture based on the Unscented Kalman Filter (UKF), yielding a unified DT framework that combines data-driven probability transport with physically consistent state and parameter estimation. The effectiveness of the new integrated framework is demonstrated within a spacecraft DT architecture, where stable moment of inertia estimation is achieved under uncertain and noisy sensing, with significant performance improvements over established approaches such as Extended Kalman Filtering (EKF) and Ensemble Kalman Filtering (EnKF). These results highlight the potential of weighted generative modeling as a core mechanism for real-time DT synchronization in operational and mission-critical systems.
- Abstract（参考訳）: デジタルツイン(DT)は、不確実性の下でのオンラインパラメータ推定を通じて、物理システムとその仮想システム間の連続的な同期に依存している。
しかし、多くの実践的な状況において、この課題は低可観測性、弱い励起、非線形力学、雑音や偏りの測定によって解決されている。
本研究では,重み付きフローマッチング(WFM)生成モデルと物理インフォームド非線形フィルタリングを統合し,DTのパラメータ推定を向上する新しい数学的枠組みを開発する。
WFMはトレーニングサンプルの動的再重み付けに依存しており、生成モデルが進化するシステムの状態を最も情報的にパラメータレシエーションへと導く。
この生成成分は、Unscented Kalman Filter (UKF)に基づく物理インフォームドフィルタアーキテクチャと密結合され、データ駆動確率輸送と物理的に一貫した状態とパラメータ推定を組み合わせた統合DTフレームワークを生成する。
新しい統合フレームワークの有効性は、不確実でノイズの多い検知の下で慣性推定の安定モーメントが達成され、拡張カルマンフィルタ(EKF)やエンサンブルカルマンフィルタ(EnKF)といった確立されたアプローチよりも大幅に性能が向上する宇宙船DTアーキテクチャで実証されている。
これらの結果は、運用およびミッションクリティカルシステムにおけるリアルタイムDT同期のコアメカニズムとしての重み付き生成モデルの可能性を強調した。
関連論文リスト
- The Kerimov-Alekberli Model: An Information-Geometric Framework for Real-Time System Stability [0.0]
本研究では,AIの安全性を再定義する新しい情報幾何学フレームワークであるKerimov-Alekberliモデルを紹介する。
非平衡熱力学を自律システムの倫理的アライメントの制御に正式にリンクすることにより、システム異常を定義する。
NSL-KDDデータセットと無人航空機軌道シミュレーションの検証により,本モデルが実時間検出に有効であることを実証した。
論文 参考訳（メタデータ） (2026-04-27T06:13:25Z) - Online Inertia Tensor Identification for Non-Cooperative Spacecraft via Augmented UKF [0.0]
本稿では,非協調ターゲット宇宙船の相対的な6-DOFポーズと全慣性テンソルを共同で推定するための拡張アンセント・カルマンフィルタ(UKF)フレームワークを提案する。
提案アーキテクチャは,単眼視に基づく畳み込みニューラルネットワーク(CNN)の視覚計測をLiDARの深度情報と融合させて,剛体力学の結合を制約する。
慣性テンソルの6つの独立要素を含む状態ベクトルを増大させることで、基底ベースの事前校正を必要とせず、ターゲットの正規化質量分布をリアルタイムで動的に復元する。
論文 参考訳（メタデータ） (2026-03-28T18:13:03Z) - Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
時系列生成には、フローマッチング(FM)がますます使われている。
一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。
インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
論文 参考訳（メタデータ） (2026-02-09T06:48:45Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。
i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-09T06:26:02Z) - On-line learning of dynamic systems: sparse regression meets Kalman filtering [41.99844472131922]
我々は、制御理論からグラウストーンアルゴリズムを統合することで、空間駆動型アプローチをリアルタイム学習に拡張する -- カルマンフィルタ(KF)
その結果、Sindy Kalman Filter (KF) は、未知のシステムパラメータを状態変数として扱うことによって両方のフレームワークを統一する。
実飛行データから構築した疎非線形航空機モデルのリアルタイム同定におけるKFの有効性を実証する。
論文 参考訳（メタデータ） (2025-11-14T11:24:05Z) - 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) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。
FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。
拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。
その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
論文 参考訳（メタデータ） (2024-09-29T10:33:07Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z)
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。