論文の概要: SpinFlow: A Physics-Informed Spin Field Framework for Traffic Phase Inference and Transition Detection

• arxiv url: http://arxiv.org/abs/2605.23306v1
• Date: Fri, 22 May 2026 07:25:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.236595
• Title: SpinFlow: A Physics-Informed Spin Field Framework for Traffic Phase Inference and Transition Detection
• Title（参考訳）: SpinFlow: 信号位相推論と遷移検出のための物理インフォームドスピンフィールドフレームワーク
• Authors: Haopeng Deng, Fucheng Zheng, Xinhai Xia,
• Abstract要約: 本研究では,物理インフォームド・スピンフィールド・フレームワークであるSpinFlowを提案する。 SpinFlowは、潜在スピンベクトルと競合平衡写像によって空間的に変化する位相重みをパラメトリズする。 R_q2$ 0.940、PEDドロップ94.9-100%、解釈可能な位相写像は前方精度、物理の整合性、ボトルネックローカライゼーションの3つの不均一基底線を上回る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active traffic management (ATM) is frequently hindered by traditional macroscopic models and rigid empirical thresholds that fail to capture metastable phase precursors, resulting in delayed, reactive interventions. To address this, we propose SpinFlow, a physics-informed spin-field framework unifying Kerner's three-phase theory with statistical physics for continuous macroscopic traffic phase inference. Inspired by the Heisenberg model, SpinFlow parametrizes spatially varying phase weights via a latent spin vector and a competitive-equilibrium mapping, allowing synchronized flow to emerge naturally. A physics-regularized Expectation-Maximization algorithm inverts this latent structure from high-resolution trajectories, jointly optimizing the spin field while softly enforcing mass conservation and spatial smoothness. We introduce the Phase Equilibrium Degree (PED) to quantify structural alignment and topologically localize phase-transition points. Across four real-world trajectory datasets, SpinFlow achieves $R_{q}^{2}$ up to 0.940, PED drops of 94.9-100%, and interpretable phase maps that outperform three heterogeneous baselines on forward accuracy, physics consistency, and bottleneck localization. SpinFlow pinpoints congestion nucleation without prior network topology, yielding a data-driven, physics-consistent trigger for ATM.
• Abstract（参考訳）: アクティブ・トラヒック・マネジメント(ATM)は、しばしば従来のマクロモデルや、メタスタブル・フェーズ前駆体を捕捉できない厳密な経験しきい値によって妨げられ、遅延し、反応的な介入をもたらす。 そこで本稿では,Kernerの3相理論と統計物理学を融合した物理インフォームドスピンフィールドフレームワークであるSpinFlowを提案する。 ハイゼンベルクモデルにインスパイアされたSpinFlowは、潜在スピンベクトルと競合平衡写像を通じて空間的に変化する位相重みをパラメトリズし、同期フローが自然に出現する。 物理規則化された期待-最大化アルゴリズムは、この潜伏構造を高分解能軌道から逆転させ、質量保存と空間的滑らかさをソフトに保ちながら、スピン場を共同最適化する。 本稿では, 位相平衡デグリー(PED)を導入し, 構造的アライメントの定量化と位相遷移点の局所化を行う。 実世界の4つの軌道データセットの中で、SpinFlowは最大0.940ドルのR_{q}^{2}$、94.9-100%のPEDドロップ、前方精度、物理の整合性、ボトルネックローカライゼーションの3つの不均一基底線を上回る解釈可能な位相マップを達成している。 SpinFlowは、以前のネットワークトポロジを使わずに、渋滞核化を指摘し、ATMにデータ駆動で物理に一貫性のあるトリガをもたらす。

関連論文リスト

• Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
  本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
  論文  参考訳（メタデータ） (2026-05-02T17:09:31Z)
• K-GMRF: Kinetic Gauss-Markov Random Field for First-Principles Covariance Tracking on Lie Groups [8.489406212619164]
  共分散追跡のためのオンライン学習自由フレームワークK-GMRFを提案する。 本手法は, 構造保存型シンプレクティックインテグレータにより伝搬される潜在角速度を駆動するトルクとして観測を解釈する。 理論的には、この2階の力学が一定回転下でゼロ定常誤差を達成することを証明している。
  論文  参考訳（メタデータ） (2026-03-20T03:16:36Z)
• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• Geometric Neural Distance Fields for Learning Human Motion Priors [51.99890740169883]
  本研究では,より頑健で時間的に整合性があり,物理的に妥当な3次元運動回復を可能にする新しい3D生成人体運動について紹介する。 AMASSデータセットをトレーニングし、NRMFは複数の入力モードにまたがって著しく一般化する。
  論文  参考訳（メタデータ） (2025-09-11T17:58:18Z)
• Topological Regularization for Force Prediction in Active Particle Suspension with EGNN and Persistent Homology [0.0]
  3つの学習駆動ツールを組み合わせて1つのパイプライン内で学習する,マルチスケールフレームワークを提案する。 学習パイプラインへの入力として,周期箱内の流体速度と粒子応力の高分解能Lattice Boltzmannスナップショットを用いる。
  論文  参考訳（メタデータ） (2025-09-08T11:39:42Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
  イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。 本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。 動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。 最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
  論文  参考訳（メタデータ） (2025-03-14T13:15:54Z)
• Degrees of Freedom Matter: Inferring Dynamics from Point Trajectories [28.701879490459675]
  ニューラルネットワークによってパラメータ化された暗黙の運動場を学習し、同一領域内の新規点の動きを予測することを目的とする。 我々は、SIRENが提供する固有正則化を活用し、入力層を変更して時間的に滑らかな運動場を生成する。 実験では, 未知点軌道の予測におけるモデルの性能評価と, 変形を伴う時間メッシュアライメントへの応用について検討した。
  論文  参考訳（メタデータ） (2024-06-05T21:02:10Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)

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。