論文の概要: Physics-conforming Latent Twins

• arxiv url: http://arxiv.org/abs/2606.15053v1
• Date: Sat, 13 Jun 2026 01:50:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.743877
• Title: Physics-conforming Latent Twins
• Title（参考訳）: 物理変換型潜伏双生児
• Authors: Matthias Chung, Yutong Bu, Deepanshu Verma,
• Abstract要約: 我々は、潜在代理解演算子を学習するフレームワークである物理変換ラテントツインスを紹介する。 我々は、元の状態空間における物理的構造と遅延空間における互換性のある制約を結びつける制約-転送視点を開発する。 線形および二次不変量を保存する、あるいは散逸不等式を強制する潜在フロー写像の代数的条件を導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surrogate models are central to scientific machine learning, where they enable fast prediction, simulation, inference, and control for complex physical systems. For time-dependent problems, however, accurate interpolation of training trajectories is not sufficient: reliable surrogates should also respect the conservation laws, invariants, admissibility conditions, and dissipative structures that give those trajectories physical meaning. We introduce Physics-conforming Latent Twins, a framework for learning latent surrogate solution operators whose dynamics satisfy selected physical principles by design. The method builds on the Latent Twin formulation by jointly learning an encoder, a decoder, and a latent flow map between arbitrary time-indexed states, while constraining the latent dynamics to preserve or dissipate prescribed structural quantities. We develop a constraint-transfer viewpoint that connects physical structure in the original state space with compatible constraints in latent space, and prove structure-preservation bounds showing how latent enforcement improves control of physical defects after decoding. We also derive algebraic conditions for latent flow maps that preserve linear and quadratic invariants or enforce dissipative inequalities. Numerical experiments on representative ODE and PDE benchmarks demonstrate improved constraint satisfaction, structural fidelity, and qualitative long-time behavior while maintaining accurate surrogate prediction.
• Abstract（参考訳）: 代理モデルは科学的な機械学習の中心であり、複雑な物理系の高速予測、シミュレーション、推論、制御を可能にする。 しかし、時間に依存した問題に対しては、訓練軌跡の正確な補間は十分ではない:信頼できる代理は、それらの軌跡を物理的意味を与える保存則、不変性、許容条件、散逸的構造も尊重すべきである。 本稿では,設計によって選択された物理原理を満たす潜在代理解演算子を学習するフレームワークである物理変換ラテントツインについて紹介する。 エンコーダ、デコーダ、潜時フローマップを任意の時間インデクシング状態間で共同学習し、潜時ダイナミクスを制約して所定の構造量を保存または散逸させることにより、潜時ツイン定式化の上に構築する。 本研究では,元の状態空間における物理構造と遅延空間における整合性のある制約を接続する制約伝達視点を開発し,遅延処理が復号後の物理的欠陥の制御をいかに改善するかを示す構造保存境界を証明した。 また、線形および二次不変量を保存する、あるいは散逸不等式を強制する潜在フロー写像の代数的条件も導出する。 代表的なODEおよびPDEベンチマークの数値実験では, 正確な代理予測を維持しつつ, 制約満足度, 構造忠実度, 定性的長期挙動を改善した。

関連論文リスト

• Physics-Informed Generative Solver: Bridging Data-Driven Priors and Conservation Laws for Stable Spatiotemporal Field Reconstruction [19.98127585683643]
  物理インフォームド・ジェネレーティブ・ソルバを導入し、安定した事前学習と保存法の推論時適用を分離する。 音響学において、この方法はスパースセンサーから圧力と粒子速度を共同生成し、空間エイリアスを抑制する高密度仮想アレイを可能にする。 同じ枠組みは、現実世界のERA5気象分野に極端に広い範囲で一般化する。
  論文  参考訳（メタデータ） (2026-05-21T11:24:48Z)
• PerFlow: Physics-Embedded Rectified Flow for Efficient Reconstruction and Uncertainty Quantification of Spatiotemporal Dynamics [14.400502760340862]
  スパースおよび不規則な測定によるPDEグラウンドフィールドは、その不規則な性質のために困難である。 時間的ダイナミクスの効率的なスパース再構成と不確実性定量化のための修正流れであるPerFlowを提案する。 様々なPDEシステムの実験は、効率的な条件付きサンプリングを可能にしながら、音物理と競合する再構成精度を示す。
  論文  参考訳（メタデータ） (2026-05-05T09:19:09Z)
• System Identification under Constraints and Disturbance: A Bayesian Estimation Approach [5.58001571731715]
  本稿では,ロボットの状態軌跡と物理パラメータを高精度に推定するためのベイズシステム同定(SysID)フレームワークを提案する。 物理的に一貫した逆ダイナミクス、接触とループ閉鎖の制約を組み込んでおり、関節摩擦モデルを完全にハードでステージワイドな等式制約として特徴付ける。
  論文  参考訳（メタデータ） (2026-02-18T10:45:30Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Stabilizing Physics-Informed Consistency Models via Structure-Preserving Training [7.031010831953522]
  偏微分方程式(PDE)を解くための物理インフォームド整合性モデリングフレームワークを提案する。 物理制約付き一貫性トレーニングにおいて、PDE残差が自明あるいは退化解に向かってモデルを駆動できる重要な安定性の課題を特定する。 本稿では,物理力から分散学習を分離する構造保存型2段階学習戦略を提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:40:19Z)
• PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping [4.854753036255255]
  伝統的な物理学に基づくシミュレーション(PBS)の代替として、ディープラーニングに基づく衣服のドラッピングが出現している。 本稿では,明示的な力と制約によって引き起こされる身体的リアルな衣服ドレープのためのハイブリッドニューラルネットワーク物理解法であるPhysDrapeについて述べる。 この差別化可能な設計は、明示的な制約によって物理的な妥当性を保証すると同時に、エンドツーエンドの学習により、物理的に一貫した予測のためにネットワークを最適化することができる。
  論文  参考訳（メタデータ） (2026-02-08T15:46:01Z)
• Emergence of Superposition: Unveiling the Training Dynamics of Chain of Continuous Thought [64.43689151961054]
  有向グラフ到達性問題に対する簡易な2層変圧器のトレーニング力学を理論的に解析する。 分析の結果,連続的思考を用いたトレーニングでは,まずインデックスマッチングロジットが増加し,その後は軽度な仮定の下で拘束されることがわかった。
  論文  参考訳（メタデータ） (2025-09-27T15:23:46Z)
• Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
  我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。 物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。 本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
  論文  参考訳（メタデータ） (2023-04-25T15:53:45Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。