論文の概要: APIC: Amortized Physics-Informed Calibration using Neural Processes

• arxiv url: http://arxiv.org/abs/2606.03355v1
• Date: Tue, 02 Jun 2026 09:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 10:57:21.732001
• Title: APIC: Amortized Physics-Informed Calibration using Neural Processes
• Title（参考訳）: APIC: ニューラルネットワークを用いた物理インフォームド校正
• Authors: Aishwarya Venkataramanan, Sai Karthikeya Vemuri, Joachim Denzler,
• Abstract要約: 本稿では,Amortized Physics-Informed (APIC)を導入し,拡張性のあるベイズ推論を実現する。 我々のフレームワークは、インスタンス固有の物理的パラメータを、共有された状態依存構造的相違から切り離すために、2分岐の潜在アーキテクチャを採用している。
• 参考スコア（独自算出の注目度）: 5.9771814055976025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics models are inherently imperfect due to misspecified or missing mechanisms, resulting in systematic discrepancies between model predictions and real-world observations. The Kennedy-O'Hagan (KOH) framework addresses this issue through explicit discrepancy modeling. However, its non-amortized, per-instance formulation limits scalability across families of related systems. We introduce Amortized Physics-Informed Calibration (APIC), a population-level extension of KOH that leverages Neural Processes to perform scalable Bayesian inference across realizations. Our framework employs a two-branch latent architecture to disentangle instance-specific physical parameters from shared, state-dependent structural discrepancies. By integrating differentiable physics into an amortized inference backbone, APIC enables rapid calibration of unseen realizations from sparse observations while quantifying uncertainty. Experiments on the damped spring oscillator, the Lotka-Volterra system, and the advection-diffusion PDE with misspecified physics demonstrate improved parameter recovery and consistent identification of the systemic discrepancy structure compared to other calibration approaches.
• Abstract（参考訳）: 物理モデルは、不特定または欠落のメカニズムのために本質的に不完全であり、結果としてモデル予測と実世界の観測との間に体系的な相違が生じている。 Kennedy-O'Hagan(KOH)フレームワークは、明示的な不一致モデリングを通じてこの問題に対処する。 しかし、非アモタイズされたインスタンスごとの定式化により、関連するシステムのファミリー間でのスケーラビリティが制限される。 我々は、ニューラルネットワークを活用して実現可能なベイズ推論を行うKOHの集団レベルの拡張であるAmortized Physics-Informed Calibration (APIC)を紹介する。 我々のフレームワークは、インスタンス固有の物理的パラメータを、共有された状態依存構造的相違から切り離すために、2分岐の潜在アーキテクチャを採用している。 微分可能な物理を補正された推論バックボーンに統合することにより、APICは不確実性を定量化しながらスパース観測から目に見えない実現の迅速なキャリブレーションを可能にする。 減衰バネ発振器,ロトカ・ボルテラ系,および不特定物理を用いた対流拡散PDEの実験により,他の校正手法と比較してパラメータ回復と系統的不一致構造の一貫した同定が得られた。

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)
• Comparing Physics-Informed and Neural ODE Approaches for Modeling Nonlinear Biological Systems: A Case Study Based on the Morris-Lecar Model [0.0]
  本研究は,3つの標準分岐系におけるPINNとNODEの性能を系統的に評価する。 その結果, PINNは剛性や敏感な分岐を含むシナリオにおいて, 高い精度と堅牢性を達成する傾向が示唆された。
  論文  参考訳（メタデータ） (2026-03-27T18:53:53Z)
• Machine learning assisted state prediction of misspecified linear dynamical system via modal reduction [0.0]
  固定されたパラメータを持つパラメトリックモデルは、幾何学、物質的挙動、減衰、境界条件の単純化による重要な物理的効果を省略することが多い。 本研究は、高次元有限要素に基づく構造力学系におけるMFE推定と補正のための包括的枠組みを導入する。 計算的トラクタビリティを確保するため、FEシステムは縮小されたモーダルベースに投影され、メッシュ不変のニューラルネットワークは、モーダル状態を不一致推定にマッピングする。
  論文  参考訳（メタデータ） (2026-01-08T10:14:27Z)
• Uncertainties in Physics-informed Inverse Problems: The Hidden Risk in Scientific AI [0.0]
  PIMLにおける係数関数の推定における不確かさの定量化と解析を行う枠組みを提案する。 我々は磁気流体力学のモデルに我々の枠組みを適用し、その枠組みは不確実性を示し、幾何学的制約でユニークな同定が可能であることを示す。
  論文  参考訳（メタデータ） (2025-11-06T17:20:02Z)
• Disturbance-agnostic robust performance with structured uncertainties and initial state error in classical versus quantum oscillatory systems [0.0]
  構成パラメータの変動と初期状態エラーが主な性能制限因子である状況に対して、ロバストな性能を定量化する手法を提案する。 このアプローチは、未摂動状態または摂動状態によって駆動される、名目と摂動力学の差であるエラーダイナミクスに基づいている。
  論文  参考訳（メタデータ） (2023-05-06T03:42:11Z)
• Unifying flavors of fault tolerance with the ZX calculus [39.58317527488534]
  トポロジカルなフォールトトレランス(特に表面コード)のモデルに焦点を当てる。 これらのモデルは全て、基盤となる安定化器の耐故障構造の異なるフレーバーと見なすことができる。
  論文  参考訳（メタデータ） (2023-03-15T18:00:00Z)
• Bayesian Calibration of imperfect computer models using Physics-informed priors [0.0]
  本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。 我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。 この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
  論文  参考訳（メタデータ） (2022-01-17T15:16:26Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。