論文の概要: Emergent Transfer of a Physics Foundation Model from Simulation to Laboratory Turbulence

• arxiv url: http://arxiv.org/abs/2606.01470v1
• Date: Sun, 31 May 2026 22:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.719921
• Title: Emergent Transfer of a Physics Foundation Model from Simulation to Laboratory Turbulence
• Title（参考訳）: シミュレーションから実験室乱流への物理基礎モデルの創発的移行
• Abstract要約: 基礎モデルが実験室に有効に展開できるかどうかを検証した。 我々は, テーブルトップから超新星爆発まで, ユビキタスで要求される流体不安定性のRayleigh-Taylor不安定性(RTI)について検討した。 連続体力学の基礎モデルであるWalrusを3つ以上のDNS実現に基づいて微調整し、長時間のロールアウトで重要なRCI物理を回復する。
• 参考スコア（独自算出の注目度）: 38.48877618728378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whether physics foundation models can be usefully deployed on laboratory experiments remains an open question for scientific machine learning (ML). We test this question on the Rayleigh-Taylor instability (RTI), a ubiquitous and demanding fluid instability seen from tabletop flows to supernova explosions, in which small perturbations at a density interface grow into chaotic, multiscale mixing as a lighter fluid accelerates into a heavier one. Standard ML models struggle with RTI, and despite over a century of theoretical, numerical, and experimental work, it carries an unresolved discrepancy between simulation and experiment: the late-time mixing growth rate, $α$, measured in most laboratory experiments ($\sim$ 0.06-0.07), is roughly three times the value from idealized direct numerical simulations (DNS, $\sim$ 0.02). The gap's origin remains debated. These properties make RTI a stringent test for a question that matters well beyond RTI: can foundation models trained only on simulations generalise to sparse, messy, and noisy laboratory settings? We finetune Walrus, a foundation model for continuum dynamics, on three or fewer DNS realizations and recover key RTI physics over long rollouts. Applied zero-shot to sliding-barrier laboratory data, the finetuned model leaves the DNS-like regime and enters the observed growth band, having never seen a single experimental sample. These results provide independent, data-driven evidence that initial conditions play a crucial role in the longstanding sim-experiment gap in $α$. The model also generalises zero-shot to stable stratification, a buoyancy regime absent from training, correctly slowing mixing-layer growth. Together, our results show that foundation models can generalise well beyond their training data, predicting laboratory behavior and unseen physical regimes, opening new ways to probe longstanding simulation-experiment gaps.
• Abstract（参考訳）: 物理基礎モデルが実験室実験に有効に展開できるかどうかは、科学機械学習(ML)にとって未解決の問題である。 本研究では, より軽い流体がより重い流体に加速するにつれて, 密度界面での微小な摂動がカオス的な多スケール混合に成長する, テーブルトップフローから超新星爆発に至る, ユビキタスで要求される流体不安定性であるRayleigh-Taylor不安定性(RTI)について検討する。 標準MLモデルはRCIと競合し、理論的、数値的、実験的な研究が1世紀以上にわたって行われてきたが、シミュレーションと実験の間には未解決の相違がある:ほとんどの実験実験で測定された遅延混合成長率$α$(\sim$ 0.06-0.07)は、理想化された直接数値シミュレーション(DNS, $\sim$ 0.02)の約3倍の値である。 ギャップの起源はいまだに議論されている。 これらの特性は、RTIよりもはるかに重要な問題に対して、RTIを厳格にテストする: シミュレーションのみに基づいてトレーニングされた基礎モデルは、スパースで散らばった、ノイズの多い実験室の設定に一般化できるだろうか? 連続体力学の基礎モデルであるWalrusを3つ以上のDNS実現に基づいて微調整し、長時間のロールアウトで重要なRCI物理を回復する。 ゼロショットをスライディングバリア実験データに適用すると、微調整されたモデルはDNSのような状態を離れ、観測された成長帯に入る。 これらの結果は、初期条件が長年のsim-experimentのギャップにおいて重要な役割を果たすという独立したデータ駆動の証拠を提供する。 このモデルはまた、ゼロショットを安定成層に一般化し、浮力状態はトレーニングを欠き、混合層の成長を正しく遅らせる。 実験結果から, 基礎モデルはトレーニングデータを超えて, 実験室の挙動を予測し, 未確認の物理的構造を予測し, 長期間のシミュレーションと実験のギャップを探索する新たな手法を開拓できることが示唆された。

関連論文リスト

• Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
  科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
  論文  参考訳（メタデータ） (2026-04-01T17:21:33Z)
• Differentiable Physics-Neural Models enable Learning of Non-Markovian Closures for Accelerated Coarse-Grained Physics Simulations [0.11874952582465602]
  本研究は3次元シミュレーションよりも高速に複雑な領域のスカラー輸送を予測するハイブリッド物理-神経モデルを提案する。 全体として、この微分可能な物理-神経の枠組みは、物理現象の高速で、正確で、一般化可能な粗粒状サロゲートを可能にすることが示されている。
  論文  参考訳（メタデータ） (2025-11-26T13:13:30Z)
• Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations [5.913538953257869]
  機械学習力場(MLFF)は、初期分子動力学(MD)シミュレーションを高速化するための有望なソリューションとして登場した。 本研究では,グラフニューラルネットワークモデルであるGemNet-TをMLFFとして採用し,2つのトレーニング戦略について検討する。 安定なMDシミュレーションでは,低力率の誤差が必ずしも保証されないことがわかった。
  論文  参考訳（メタデータ） (2025-06-17T00:58:56Z)
• MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
  先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。 我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。 我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
  論文  参考訳（メタデータ） (2025-05-23T13:24:50Z)
• Surrogate-based multiscale analysis of experiments on thermoplastic composites under off-axis loading [0.0]
  偏軸荷重下での一方向熱可塑性複合材料上での定ひずみ速度とクリープ実験をモデル化するための代理型マルチスケールアプローチを提案する。 実験結果から, 単一スケールのマイクロメカニカルアプローチよりも広い範囲の環境において, 実験との整合性が示唆された。
  論文  参考訳（メタデータ） (2025-01-17T13:39:10Z)
• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations [27.984190594059868]
  生成モデルは サロゲートサンプルとして利用され コンフォメーションアンサンブルを 桁違いに速く得る 本研究では,MDシミュレーションを抽出可能な方法で組み込んだ,事前学習型ジェネレーティブ・サンプリング器の少数ショット設定について検討する。
  論文  参考訳（メタデータ） (2024-02-16T03:48:55Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。