論文の概要: COGENT: Continuous Graph Emulators with Neural Ordinary Differential Equations for Long-Term Physical Forecasting

• arxiv url: http://arxiv.org/abs/2606.11162v1
• Date: Tue, 09 Jun 2026 17:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.652868
• Title: COGENT: Continuous Graph Emulators with Neural Ordinary Differential Equations for Long-Term Physical Forecasting
• Title（参考訳）: COGENT:長期物理予測のためのニューラル正規微分方程式を用いた連続グラフエミュレータ
• Authors: Zesheng Liu, Maryam Rahnemoonfar,
• Abstract要約: COGENTは不規則な地理空間メッシュ上での長期物理予測のための連続グラフエミュレータである。 予測軌道を連続潜在力学系としてモデル化することにより、COGENTは任意の将来時間で予測を生成することができる。 残留デコーダは、得られた潜在軌道を将来の物理的状態にマッピングし、直接多段階予測を可能にする。
• 参考スコア（独自算出の注目度）: 1.6114012813668932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we present COGENT, a continuous graph emulator with Neural Ordinary Differential Equations for long-term physical forecasting on irregular geospatial meshes. COGENT encodes a finite history of system states and associated forcing fields and external forcings with a graph-based history encoder, producing node-wise context vectors that capture both local spatial interactions and temporal evolution. These context vectors initialize and condition a latent Neural Ordinary Differential Equation whose dynamics are driven by interpolated future forcings and explicit relative rollout time. By modeling the forecast trajectory as a continuous latent dynamical system, COGENT can generate predictions at arbitrary future times rather than being restricted to a fixed temporal discretization. A residual decoder maps the resulting latent trajectories back to future physical states, enabling direct multi-step forecasting without repeatedly feeding predicted states back into the model. This formulation combines graph-based spatial representation, history-conditioned latent dynamics, and continuous-time rollout in a unified framework for mesh-based physical simulation emulation. In order to stabilize training with long-horizon supervision, we also propose effective rollout-horizon sampling and a progressive rollout-horizon scheduling strategy. We evaluate COGENT on transient ice-sheet simulations generated by the Ice-sheet and Sea-level System Model, demonstrating improved long-range stability over autoregressive graph baselines. These results suggest that continuous graph Neural ODEs provide a promising methodology for scalable physical forecasting on irregular geospatial meshes, particularly in applications that require stable long-horizon predictions and the ability to query system states at arbitrary times.
• Abstract（参考訳）: 本研究では,不規則な地理空間メッシュ上での長期物理予測のためのニューラル正規微分方程式を用いた連続グラフエミュレータCOGENTを提案する。 COGENTは、システム状態と関連する強制力場と外部強制力の有限履歴をグラフベースの履歴エンコーダで符号化し、局所的な空間的相互作用と時間的進化の両方を捉えるノードワイズコンテキストベクトルを生成する。 これらの文脈ベクトルは、補間された将来の強制と明示的な相対的なロールアウト時間によって動的に駆動される潜在ニューラル正規微分方程式を初期化し、条件付ける。 予測軌道を連続潜在力学系としてモデル化することにより、COGENTは固定時間離散化に制限されるのではなく、任意の将来時間で予測を生成することができる。 残留デコーダは、得られた潜在軌道を将来の物理的状態にマッピングし、予測された状態を繰り返しモデルにフィードバックすることなく、直接多段階の予測を可能にする。 この定式化は、メッシュベースの物理シミュレーションエミュレーションのための統一フレームワークにおいて、グラフベースの空間表現、履歴条件付き潜在力学、および連続時間ロールアウトを組み合わせる。 また,長期監視によるトレーニングの安定化を図るため,効果的なロールアウト・ホライズンサンプリングとプログレッシブ・ロールアウト・ホライズンスケジューリング戦略を提案する。 我々は,アイスシートとシーレベルシステムモデルによって生成される一過性氷床シミュレーションのCOGENTを評価し,自己回帰グラフベースラインによる長距離安定性の向上を実証した。 これらの結果から,連続グラフのニューラルODEは不規則な地理空間メッシュ上でのスケーラブルな物理予測に有望な方法論を提供する可能性が示唆された。

関連論文リスト

• Graph Mamba Operator: A Latent Simulator for Interacting Particle Systems [10.350116716381299]
  グラフに基づく相互作用学習と状態空間モデルを統合する潜在空間シミュレータであるGraph Mamba Operator (GraMO)を紹介する。 GraMOはグラフベースのインタラクションと時間状態の更新を,単一のリカレンス内で結合する。 我々は,N体システム,モーションキャプチャ,ロボットのデータセット上でGraMOを評価する。
  論文  参考訳（メタデータ） (2026-06-08T12:42:10Z)
• From Short Histories to Long Futures: Horizon-Aware Graph Neural Networks for Long Horizon Forecasting [1.6114012813668932]
  ディープニューラルネットワークは効率的なエミュレータとして機能するが、その多くは次のステップの予測のためにトレーニングされている。 本稿では,現在の状態から将来の複数のリードタイムへの状態遷移を学習するマルチホライゾングラフニューラルネットワークエミュレータを提案する。 Pine Island Glacier シミュレーション実験により,本手法は長距離精度の向上と安定性の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-28T13:58:48Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting [12.301897782320967]
  TK-GCNは、幾何学的空間符号化と長距離時間モデリングを統合した2段階のフレームワークである。 我々は,TK-GCNが予測地平線全体にわたって優れた予測精度を提供することを示す。
  論文  参考訳（メタデータ） (2025-07-05T01:26:03Z)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Temporal Graph Neural Networks for Irregular Data [14.653008985229615]
  TGNN4Iモデルは、不規則な時間ステップとグラフの部分的な観察の両方を扱うように設計されている。 時間連続力学により、任意の時間ステップでモデルを予測できる。 交通・気候モデルによるシミュレーションデータと実世界のデータの実験は、グラフ構造と時間連続力学の両方の有用性を検証する。
  論文  参考訳（メタデータ） (2023-02-16T16:47:55Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。