Fugu-MT 論文翻訳(概要): Two-Parameter Flows for Learning Population Dynamics of Physical Systems

論文の概要: Two-Parameter Flows for Learning Population Dynamics of Physical Systems

arxiv url: http://arxiv.org/abs/2605.26285v1
Date: Mon, 25 May 2026 19:16:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-27 17:51:41.376675
Title: Two-Parameter Flows for Learning Population Dynamics of Physical Systems
Title（参考訳）: 物理系の人口動態を学習するための2パラメータ流れ
Authors: Paul Schwerdtner, Tobias Blickhan, Benjamin Peherstorfer,
Abstract要約: ラベルのないサンプルを用いて高次元確率密度の力学を時間とともに学習する。結果の物理時間力学は特異であり、サンプリング時間輸送から正則性を引き継ぐことが証明される。
参考スコア（独自算出の注目度）: 6.973074865500705
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work addresses the problem of learning the dynamics of high-dimensional probability densities over time using unlabeled samples, without assuming access to trajectory information. We introduce two-parameter flows that learn only sampling-time transports from a base distribution to each marginal and then extract a physics-time velocity by regressing on coupled synthetic trajectories. We prove that the resulting physics-time dynamics are unique and inherit regularity from the sampling-time transports. Because we can build on standard, well-developed conditional flow matching techniques for learning the base-to-marginal transports, our approach scales to high dimensions and avoids per-step optimal-transport couplings, while allowing admissible non-gradient dynamics that can naturally explain rotational or circulating physics phenomena.
Abstract（参考訳）: この研究は、軌跡情報へのアクセスを前提とせず、ラベルのないサンプルを用いて高次元確率密度のダイナミクスを時間とともに学習する問題に対処する。基礎分布から各辺縁へのサンプリング時間輸送のみを学習する2パラメータフローを導入し,結合された合成軌道に回帰することで物理時間速度を抽出する。結果の物理時間力学は特異であり、サンプリング時間輸送から正則性を引き継ぐことが証明される。そこで本手法では, 回転あるいは循環する物理現象を自然に説明できる, 許容できない非段階的力学を許容しながら, 高次元から高次元の最適輸送結合を回避できる。

関連論文リスト

Lagrangian Flow Matching: A Least-Action Framework for Principled Path Design [14.77320535984857]
フローマッチングは、所定の確率パスに関連する目標速度に対して回帰して神経速度場を訓練する。ラグランジアンフローマッチング(Lagrangian flow matching)は、一般ラグランジアンの動きを最小化して確率パスと速度場を決定する物理ベースのフレームワークである。
論文参考訳（メタデータ） (2026-05-14T21:05:03Z)
Curly Flow Matching for Learning Non-gradient Field Dynamics [49.480209466896035]
非勾配場力学を学習するための新しいアプローチであるCurly Flow Matching (Curly-FM)を導入する。 Curly-FMは、Schr"odinger Bridge問題の設計と解決によって、非勾配場力学を学習することができる。 Curly-FMは、基準プロセスと人口限界の両方に適合する軌道を学習することができる。
論文参考訳（メタデータ） (2025-10-30T16:11:39Z)
Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文参考訳（メタデータ） (2025-08-11T09:03:10Z)
Is memory all you need? Data-driven Mori-Zwanzig modeling of Lagrangian particle dynamics in turbulent flows [38.33325744358047]
本研究では,乱流ラグランジアン軌道を短時間の予測に適した精度で発展させることのできる代理力学系をいかに学習できるかを示す。これにより、例えば乱流における活性ラグランジアン剤の制御など、様々な新しい応用が開かれる。
論文参考訳（メタデータ） (2025-07-21T20:50:55Z)
Generalized Flow Matching for Transition Dynamics Modeling [14.76793118877456]
局所力学から非線形性を学習することでシミュレーションをウォームアップするデータ駆動手法を提案する。具体的には、局所力学データからポテンシャルエネルギー関数を推定し、2つの準安定状態間の可塑性経路を求める。提案手法の有効性を検証するため, 合成分子系と実世界の分子系の両方において, 確率的経路をサンプリングする手法の有効性を検証する。
論文参考訳（メタデータ） (2024-10-19T15:03:39Z)
Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Action Matching: Learning Stochastic Dynamics from Samples [10.46643972142224]
アクションマッチング(Action Matching)は、時間進化から独立したサンプルのみを使用して、リッチなダイナミクスのファミリーを学ぶ方法である。我々は、基礎となる力学に関する明示的な仮定を頼らずに、抽出可能な訓練目標を導出する。最適輸送との接続にインスパイアされ、確率質量の生成と破壊を含む微分方程式や力学を学ぶためにアクションマッチングの拡張を導出する。
論文参考訳（メタデータ） (2022-10-13T01:49:48Z)
Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文参考訳（メタデータ） (2022-06-29T22:19:03Z)
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。我々はNeuroFluidという2段階の異なるネットワークを提案する。初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文参考訳（メタデータ） (2022-03-03T15:13:29Z)
TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics [74.43710101147849]
本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
論文参考訳（メタデータ） (2020-02-09T21:00:38Z)

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。