論文の概要: Hybrid Neural World Models

• arxiv url: http://arxiv.org/abs/2605.28317v1
• Date: Wed, 27 May 2026 11:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.998401
• Title: Hybrid Neural World Models
• Title（参考訳）: ハイブリッドニューラルワールドモデル
• Authors: Pranav Lakshmanan, Paras Chopra,
• Abstract要約: ニューラルサロゲートは、物理力学の古典的解法よりも大きなスピードアップを約束するが、衝撃、正面、接触などの急激な動的事象で静かに失敗する。 物理状態空間におけるマルチホライゾン・サロゲートのトレーニングと展開のレシピを提案する。 このレシピは、反応拡散、圧縮可能なオイラー、剛体衝突動力学を経ることなく適用できる。
• 参考スコア（独自算出の注目度）: 1.0742675209112622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural surrogates promise large speedups over classical solvers for physical dynamics but fail silently at sharp dynamical events such as shocks, fronts, and contact. We present hybrid neural world models for physical dynamics: a recipe for training and deploying multi-horizon surrogates in physical state space, where a single network with continuous horizon conditioning is trained with direct supervision against textbook reference solvers to predict any future state at horizon T in one forward pass. Although no part of the training data, loss function, or architecture supervises discontinuity location, the trained surrogate encodes it implicitly, recoverable from its forward passes alone as a per-trajectory error map that concentrates on shocks, fronts, and contacts, and stays small elsewhere. The map is competitive with or better than standard label-free baselines including deep ensembles, learned error heads, gradient-magnitude indicators, and locally-adaptive conformal prediction, while using only a single trained network and requiring no calibration set or governing-equation knowledge. The recipe supports two operating points. Mode 1 runs the surrogate alone for maximum throughput, with same-hardware CPU speedups of 26x to 72x against textbook solvers on the PDE environments. Mode 2 uses the error map to gate a reference-solver fallback, deferring uncertain trajectories and roughly halving the surrogate's residual error at the default operating point. The recipe applies without modification across reaction-diffusion, compressible Euler, and rigid-body collision dynamics.
• Abstract（参考訳）: ニューラルサロゲートは、物理力学の古典的解法よりも大きなスピードアップを約束するが、衝撃、正面、接触などの急激な動的事象で静かに失敗する。 物理力学のためのハイブリッド・ニューラルワールド・モデル: 物理状態空間におけるマルチ水平サロゲートのトレーニングおよび展開のためのレシピ: 連続水平条件付き単一ネットワークを教科書参照ソルバに対して直接監督してトレーニングし、一前方通過で水平Tにおける将来の状態を予測する。 トレーニングデータ、損失関数、アーキテクチャの一部は不連続位置を監督するものではないが、トレーニングされたサロゲートは暗黙的にそれをエンコードし、前方から回復可能であり、ショック、フロント、コンタクトに集中する軌道毎のエラーマップとして単独で通過する。 地図は、深いアンサンブル、学習されたエラーヘッド、勾配のマグニチュードインジケータ、局所適応型コンフォメーション予測を含む標準のラベルなしベースラインと競争力があり、単一のトレーニングネットワークのみを使用し、キャリブレーションセットや支配方程式の知識を必要としない。 レシピは2つの操作ポイントをサポートする。 モード1は最大スループットのためにサロゲートのみを実行し、PDE環境の教科書ソルバに対して、同じハードウェアのCPUスピードは26倍から72倍になる。 モード2は、エラーマップを使用して、参照-解決器のフォールバックをゲートし、不確実な軌道を遅延させ、デフォルトの操作ポイントでサロゲートの残差をほぼ半分にする。 このレシピは、反応拡散、圧縮可能なオイラー、剛体衝突動力学を経ることなく適用できる。

関連論文リスト

• 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)
• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• Zero-Shot Scalable Resilience in UAV Swarms: A Decentralized Imitation Learning Framework with Physics-Informed Graph Interactions [6.590573149504977]
  大規模な無人航空機(UAV)の故障は、無人航空機の群れネットワークを非接続のサブネットワークに分割することができる。 本稿では,分散処理による集中学習を取り入れた物理インフォームド適応グラフ学習アルゴリズム(PhyGAIL)を提案する。
  論文  参考訳（メタデータ） (2026-04-17T07:06:42Z)
• DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
  本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。 メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。 EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
  論文  参考訳（メタデータ） (2026-04-13T03:19:36Z)
• Understanding Degradation with Vision Language Model [56.09241449206817]
  視覚的劣化を理解することは、コンピュータビジョンにおいて重要な問題であるが、難しい問題である。 本稿では,教師付き微調整と強化学習を併用したマルチモーダル・チェーン・オブ・ソート・モデルであるDU-VLMを紹介する。 また,110,000個のクリーン劣化ペアと接地された物理アノテーションからなる大規模データセットである textbfDU-110k も導入した。
  論文  参考訳（メタデータ） (2026-02-04T13:51:15Z)
• Unsupervised Physics-Informed Operator Learning through Multi-Stage Curriculum Training [1.5620806570871846]
  本研究では,損失景観における境界条件を強制することで収束を実現する物理インフォームドトレーニング戦略を提案する。 それぞれの段階で制限が再形成され、安定性を回復し、停滞を防ぐ継続メカニズムとして機能する。 標準ベンチマーク全体において、PhIS-FNOは教師付き学習に匹敵する精度のレベルに達する。
  論文  参考訳（メタデータ） (2026-02-02T16:06:57Z)
• Two failure modes of deep transformers and how to avoid them: a unified theory of signal propagation at initialisation [8.973965016201822]
  ニューラルネットワークの適切な初期化を見つけることは、スムーズなトレーニングと優れたパフォーマンスを保証するために不可欠である。 トランスフォーマーでは、間違った初期化は、ランク崩壊、すべてのトークンが同様の表現に崩壊するランク崩壊、エントロピー崩壊、高度に集中した注意スコアが不安定になる2つの失敗モードの1つにつながる可能性がある。 ここでは、自己アテンション、層正規化、スキップ接続、勾配を有する深層変圧器による信号伝搬の解析理論を提案する。
  論文  参考訳（メタデータ） (2025-05-30T08:18:23Z)
• HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
  事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。 本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2024-11-02T06:43:54Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)

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。