論文の概要: PhysGuard: Fisher-Guided Gradient Projection for Sim-to-Real Neural PDE Surrogates

• arxiv url: http://arxiv.org/abs/2606.16602v1
• Date: Mon, 15 Jun 2026 11:50:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.496646
• Title: PhysGuard: Fisher-Guided Gradient Projection for Sim-to-Real Neural PDE Surrogates
• Title（参考訳）: PhysGuard:Sim-to-Real Neural PDEサロゲートのための釣りガイド型勾配投影
• Authors: Changjian Zhou, Junfeng Fang, Negin Yousefpour, Peng Wu, Bin Yan, Guillermo A Narsilio,
• Abstract要約: PhysGuardは、ニューラルネットワークの正確な適応のための物理保存フレームワークである。 物理クリティカルパラメータの方向を識別し、干渉しない方向への微調整の更新を制限する。 通常の微調整に比べて、低周波誤差を最大32%削減する。
• 参考スコア（独自算出の注目度）: 15.493255190577068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural operator models trained on simulation data often lose accuracy when applied to experimental measurements due to the sim-to-real gap. Standard fine-tuning with limited real data can reduce this gap, but it may also damage the core physics-relevant representations learned during pretraining. Although knowledge-preserving adaptation has been widely investigated in vision or language tasks, it remains unclear whether these methods are suitable for neural operators whose architectures and protected knowledge are fundamentally different. Neural operators need to preserve core-scale physical structures rather than semantic or visual features. We propose PhysGuard, a physics-preserving framework for accurate sim-to-real adaptation of neural operators. Specifically, PhysGuard uses the empirical Fisher Information Matrix computed on simulation data to identify physics-critical parameter directions, then restricts fine-tuning updates to directions that do not interfere with them. A layer-wise Gram-matrix formulation makes this efficient for models with millions of parameters, while an adaptive threshold automatically determines the protected subspace size. A spectral probe experiment shows that the dominant Fisher directions are strongly associated with low-frequency output structures. Experiments on benchmark across four neural operator architectures and different physical systems show that PhysGuard performs strongly on most evaluation metrics compared to baselines. The benefits are most evident under severe domain shift, where it reduces low-frequency error by up to 32\% compared to standard fine-tuning while maintaining adaptability. Our code is available at https://github.com/ZhouChaunge/PhysGuard.
• Abstract（参考訳）: シミュレーションデータに基づいてトレーニングされたニューラル演算子は、sim-to-realギャップによる実験的な測定に適用すると、しばしば精度が低下する。 限られた実データによる標準的な微調整は、このギャップを減らすことができるが、事前訓練中に学んだ物理関連表現を損なう可能性がある。 知識保存適応は視覚や言語タスクにおいて広く研究されているが、これらの手法がアーキテクチャや保護された知識が根本的に異なるニューラル演算子に適しているかどうかは不明である。 ニューラル演算子は、意味的特徴や視覚的特徴よりも、コアスケールの物理的構造を保存する必要がある。 本稿では,ニューラルネットワークの高精度なシミュレートのための物理保存フレームワークであるPhysGuardを提案する。 具体的には、PhysGuardはシミュレーションデータに基づいて計算された経験的なフィッシャー情報マトリックスを使用して、物理クリティカルパラメータの方向を特定し、それらに干渉しない方向への微調整の更新を制限する。 レイヤーワイドのグラム行列の定式化により、数百万のパラメータを持つモデルでは効率が良くなり、適応しきい値が保護された部分空間サイズを自動的に決定する。 スペクトルプローブ実験により、支配的なフィッシャー方向は低周波出力構造と強く関連していることが示された。 4つのニューラルネットワークアーキテクチャと異なる物理システムを対象としたベンチマーク実験により、PhysGuardはベースラインと比較してほとんどの評価指標に強く依存していることが示された。 この利点は、厳しいドメインシフトの下で最も顕著であり、適応性を維持しながら、標準的な微調整と比較して、低周波エラーを最大32倍まで削減する。 私たちのコードはhttps://github.com/ZhouChaunge/PhysGuard.comで入手可能です。

関連論文リスト

• Effective Dimensionality as an Operator Invariant for Physics-Preserving Constraint Adaptation in Physics-Informed Neural Networks [0.0]
  物理インフォームドニューラルネットワークは、共有パラメータ空間に依存するため、本質的にタスク干渉に悩まされる。 我々は、この構造的衝突をFisher Information Matrixを用いて分析し、有効自由度を定量化する。 この特徴に基づいて,境界適応のための部分空間投影戦略を導入する。
  論文  参考訳（メタデータ） (2026-06-04T13:41:25Z)
• MaNGO - Adaptable Graph Network Simulators via Meta-Learning [25.80703650406406]
  グラフネットワークシミュレータ(GNS)はより高速な推論を提供するが、2つの重要な制限がある。 物理的パラメータの小さなバリエーションのために、スクラッチから再訓練されなければならない。 これは非効率であり、パラメータの異なるシミュレーションは共通の潜在構造を共有することが多い。 本稿では,条件付きニューラルプロセスを用いて,グラフトラジェクトリを符号化して潜在表現を生成するアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-07T12:44:24Z)
• Migration as a Probe: A Generalizable Benchmark Framework for Specialist vs. Generalist Machine-Learned Force Fields [1.572216094651749]
  機械学習力場(MLFF)は、分子動力学スケールでのアブ初期レベルの精度を実現することによって、計算材料科学を変革している。 研究者たちは、スペシャリストモデルをスクラッチから訓練するか、ファウンデーショナリストのファンデーションモデルを使うべきか、ハイブリッドアプローチを使うべきか? 本稿では, 弾性バンドトラジェクトリを用いて診断プローブとして評価する, 欠陥マイグレーション経路を用いたベンチマークフレームワークを提案する。 微調整モデルでは、運動特性に対するゼロショットおよびゼロショットのアプローチよりも大幅に優れるが、長距離物理学の部分的な損失を示す。
  論文  参考訳（メタデータ） (2025-08-27T13:24:41Z)
• Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration [49.03824084306578]
  本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。 信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
  論文  参考訳（メタデータ） (2024-12-18T10:36:46Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Physics-informed machine learning for Structural Health Monitoring [0.0]
  この章では、エンジニアがモデル化または評価しようとしている構造についてしばしば持つ物理的な洞察を考慮に入れたMLアルゴリズムを適用する、物理インフォームド機械学習の概念を紹介します。 この章では、単純な物理モデルとデータ駆動モデルを組み合わせたグレーボックスモデルによって、SHM設定における予測能力が向上することを示す。 SHMアプリケーションは、オフショアや航空宇宙構造物の負荷監視タスクから、ロングスパンブリッジのパフォーマンス監視まで、幅広いアプリケーションがデモされる。
  論文  参考訳（メタデータ） (2022-06-30T14:16:33Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Uncovering the Underlying Physics of Degrading System Behavior Through a Deep Neural Network Framework: The Case of Remaining Useful Life Prognosis [0.0]
  本稿では、ディープニューラルネットワークフレームワークを用いて、劣化の物理を探索するオープンボックスアプローチを提案する。 フレームワークには3つのステージがあり、システムの状態を表す潜伏変数と対応するPDEを見つけることを目的としている。
  論文  参考訳（メタデータ） (2020-06-10T21:05:59Z)

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。