論文の概要: Physics-Informed Generative Solver: Bridging Data-Driven Priors and Conservation Laws for Stable Spatiotemporal Field Reconstruction

• arxiv url: http://arxiv.org/abs/2605.22338v1
• Date: Thu, 21 May 2026 11:24:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.225776
• Title: Physics-Informed Generative Solver: Bridging Data-Driven Priors and Conservation Laws for Stable Spatiotemporal Field Reconstruction
• Title（参考訳）: 物理インフォームド・ジェネレーティブ・ソルバー:安定時空間再構成のためのブリッジングデータ駆動優先法と保存法
• Authors: Ziyuan Zhu, Keyu Hu, Zhifei Chen, Yuhao Shi, Ming Bao, Jing Zhao, Gang Wang, Haitan Xu, Jiadong Li, Qijun Zhao, Xiaodong Li, Minghui Lu, Yanfeng Chen,
• Abstract要約: 物理インフォームド・ジェネレーティブ・ソルバを導入し、安定した事前学習と保存法の推論時適用を分離する。 音響学において、この方法はスパースセンサーから圧力と粒子速度を共同生成し、空間エイリアスを抑制する高密度仮想アレイを可能にする。 同じ枠組みは、現実世界のERA5気象分野に極端に広い範囲で一般化する。
• 参考スコア（独自算出の注目度）: 19.98127585683643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing continuous physical fields from sparse measurements is a central inverse problem, but data-driven generative models can produce states that violate governing dynamics. We introduce a physics-informed generative solver that separates stable prior learning from inference-time enforcement of conservation laws. Martingale-Regularized Score Matching regularizes score pretraining with a Score Fokker-Planck constraint, yielding a dynamically stable prior. Physics-Informed Implicit Score Sampling then guides denoising trajectories by gradients of physical residuals, projecting samples toward admissible manifolds without retraining. In acoustics, the method co-generates pressure and particle velocity from sparse sensors, enabling dense virtual arrays that suppress spatial aliasing. The same framework generalizes to real-world ERA5 meteorological fields under extreme sparsity. Together, this work establishes a rigorous and generalizable paradigm for solving high-dimensional inverse problems, bridging the gap between generative artificial intelligence and first-principles science.
• Abstract（参考訳）: スパース測定から連続体場を再構成することは中心的な逆問題であるが、データ駆動生成モデルは制御力学に反する状態を生成することができる。 物理インフォームド・ジェネレーティブ・ソルバを導入し、安定した事前学習と保存法の推論時適用を分離する。 Martingale-Regularized Score Matching は、Score Fokker-Planck 制約で事前学習したスコアを正規化し、動的に安定な先行値が得られる。 物理インフォームドインプリシットスコアサンプリング(英語版)は、物理的残差の勾配によって軌道を案内し、サンプルを再トレーニングせずに許容多様体に向けて投影する。 音響学において、この方法はスパースセンサーから圧力と粒子速度を共同生成し、空間エイリアスを抑制する高密度仮想アレイを可能にする。 同じ枠組みは、現実世界のERA5気象分野に極端に広い範囲で一般化する。 この研究は、高次元の逆問題を解決するための厳密で一般化可能なパラダイムを確立し、生成人工知能と第一原理科学のギャップを埋める。

関連論文リスト

• PerFlow: Physics-Embedded Rectified Flow for Efficient Reconstruction and Uncertainty Quantification of Spatiotemporal Dynamics [14.400502760340862]
  スパースおよび不規則な測定によるPDEグラウンドフィールドは、その不規則な性質のために困難である。 時間的ダイナミクスの効率的なスパース再構成と不確実性定量化のための修正流れであるPerFlowを提案する。 様々なPDEシステムの実験は、効率的な条件付きサンプリングを可能にしながら、音物理と競合する再構成精度を示す。
  論文  参考訳（メタデータ） (2026-05-05T09:19:09Z)
• Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
  本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T05:59:54Z)
• Beyond Attention: True Adaptive World Models via Spherical Kernel Operator [0.0]
  標準的な注意を置き換えるフレームワークであるSpherical Kernelを紹介します。 SKOは、エージェントの偏りのある観察周波数から真の環境遷移のダイナミクスを数学的に分離する。 経験的評価により、SKOは自己回帰言語モデリングにおいて、収束を著しく加速し、標準の注意ベースラインを上回ることが確認される。
  論文  参考訳（メタデータ） (2026-02-25T21:51:34Z)
• Knowledge-Informed Kernel State Reconstruction for Interpretable Dynamical System Discovery [46.9843470803458]
  MAAT (Model Aware Approximation of Trajectories) は知識情報に基づくカーネル状態再構成に基づくシンボル発見のためのフレームワークである。 下流のシンボルレグレッションで用いられる軌道や微分に対する状態推定MSEを著しく低減する。
  論文  参考訳（メタデータ） (2026-01-29T21:15:52Z)
• Conditional Denoising Model as a Physical Surrogate Model [1.0616273526777913]
  物理多様体自体の幾何学を学ぶために設計された生成モデルを導入する。 ネットワークにノイズの多い状態からクリーンな状態を復元するように訓練することで、モデルは有効な解部分空間へ連続的に向けられるベクトル場を学習する。
  論文  参考訳（メタデータ） (2026-01-28T20:32:20Z)
• PhysE-Inv: A Physics-Encoded Inverse Modeling approach for Arctic Snow Depth Prediction [0.16206783799607727]
  本稿では,高度なシーケンシャルアーキテクチャ,マルチヘッドアテンションと物理誘導型コントラスト学習を備えたLSTMデコーダ,物理誘導型推論を統合した新しいフレームワークであるPhysE-Invを紹介する。 PhysE-Invは予測性能を大幅に改善し、エラーを20%削減すると同時に、経験的手法と比較して、データの分散性に優れた物理的一貫性とレジリエンスを示す。 このアプローチは、地空間および低温領域で広く適用可能な、耐雑音性、解釈可能な逆モデリングのための経路を開拓する。
  論文  参考訳（メタデータ） (2026-01-23T00:43:51Z)
• Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation [46.40087254928057]
  物理誘導量拡張プラグインのSPARKについて述べる。 多様なベンチマーク実験により、SPARKは最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-10-28T09:30:35Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Implicit Neural Surface Deformation with Explicit Velocity Fields [47.610773635281085]
  一対の点雲間の変形と時間変化したニューラルな暗黙の表面を同時に予測する最初の教師なし手法を導入する。 本手法は, 中間形状の監督を伴わずに剛性変形と非剛性変形を両立させることができる。
  論文  参考訳（メタデータ） (2025-01-23T19:11:53Z)
• Time-inversion of spatiotemporal beam dynamics using uncertainty-aware latent evolution reversal [46.348283638884425]
  本稿では,フォワードビームダイナミクスの時相を考慮したリバースラテント進化モデル(rLEM)を提案する。 この2段階の自己教師型深層学習フレームワークでは、空調オートエンコーダ(CVAE)を用いて荷電粒子ビームの6次元空間投影を低次元潜在分布に投影する。 次に,Long Short-Term Memory (LSTM) ネットワークを用いて,潜在空間における逆時間力学を自動回帰的に学習する。
  論文  参考訳（メタデータ） (2024-08-14T23:09:01Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。