論文の概要: SNAP-FM: Sparse Nonlinear Accelerated Projection for Physics-Constrained Generative Modeling

• arxiv url: http://arxiv.org/abs/2607.00095v1
• Date: Tue, 30 Jun 2026 19:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.609057
• Title: SNAP-FM: Sparse Nonlinear Accelerated Projection for Physics-Constrained Generative Modeling
• Title（参考訳）: SNAP-FM:物理制約生成モデルのためのスパース非線形加速投影
• Abstract要約: 制約されたサンプリングは、このギャップを閉じ、推論時に正確に制約を課す。 標準的なMLフレームワークは、物理的制約が自然に引き起こす構造を曖昧にします。 我々は、このボトルネックを利用して、プロジェクションサブプロブレムにおいてサンプルワイドおよび局所PDE結合が引き起こす構造を利用する。
• 参考スコア（独自算出の注目度）: 3.2297343473068882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have emerged as scalable surrogates for physical simulation, yet they offer no guarantee that their outputs respect the conservation laws, boundary conditions, and nonlinear invariants that govern the underlying physics. Constrained sampling closes this gap, enforcing such constraints exactly at inference time without retraining, but at a computational cost: projection, correction, and trajectory-optimization steps are repeated during sampling, with these steps becoming expensive for nonlinear constraints. Standard ML frameworks exacerbate this: their dense tensor algebra and limited sparse solver composability obscure the structure that physical constraints naturally induce, making efficient batched nonlinear optimization difficult to realize in practice. We address this bottleneck by exploiting the structure that sample-wise batching and local PDE couplings induce in the projection subproblems -- namely, block-sparse Jacobian and KKT systems -- exposing this structure using ExaModels.jl and solving the resulting sparse nonlinear programs with MadNLP.jl and GPU sparse factorization. Applied to Physics-Constrained Flow Matching (PCFM), on PDE benchmarks with linear, nonlinear, one-dimensional, and two-dimensional constraints, this approach accelerates nonlinear constraint projection while maintaining constraint satisfaction. These results show that sparse GPU nonlinear optimization is a practical foundation for constrained generative sampling in scientific machine learning.
• Abstract（参考訳）: 生成モデルは、物理シミュレーションのためのスケーラブルなサロゲートとして現れてきたが、それらの出力が基礎となる物理学を支配する保存則、境界条件、非線形不変性を尊重することを保証していない。 制約サンプリング(Constrained sample)は、このギャップを閉じ、リトレーニングなしで正確に推論時にそのような制約を強制するが、計算コスト: 投射、補正、軌道最適化ステップがサンプリング中に繰り返され、これらのステップは非線形制約に対して高価になる。 その高密度テンソル代数と制限されたスパースソルバの構成性は、物理的制約が自然に引き起こす構造を曖昧にし、効率的なバッチ化された非線形最適化を実際は実現し難いものにしている。 このボトルネックに対処するために、サンプルワイズバッチと局所PDE結合がプロジェクションサブプロブレム(すなわちブロックスパースジャコビアンおよびKKTシステム)で誘導する構造をExaModels.jlを用いて公開し、MadNLP.jlとGPUスパースファクターによるスパース非線形プログラムを解く。 線形,非線形,1次元,2次元の制約を持つPDEベンチマークにおける物理制約フローマッチング(PCFM)の適用により,制約満足度を維持しながら非線形制約投影を加速する。 これらの結果から,Sparse GPUの非線形最適化は,科学機械学習における制約付き生成サンプリングの実践的基盤であることが示された。

関連論文リスト

• Physics-Informed Stochastic Configuration Machine: A Backpropagation-Free Neural Network with Fast Training for Nonlinear Differential Equations [7.927063711454594]
  物理ネットワーク (SCN) は複素微分方程式を解くための変換パラダイムとして登場した。 私たちの仕事は、次世代のリアルタイムScientific Machineアプリケーションに、非常に効率的でスケーラブルな基盤を提供します。
  論文  参考訳（メタデータ） (2026-08-27T02:40:11Z)
• Constrained Flow Matching via Lagrangian Dual Flows [47.76010089014289]
  ラグランジアン双対力学に基づく制約付き生成技術の新たなファミリーであるラグランジアンデュアルフローを紹介する。 二重共状態と生成されたサンプルを同時に流すことで、高価な最適化サブプロブレムを使わずに非線形制約満足度を保証できる。 その結果得られた制約付き生成アルゴリズムは、数値最適化におけるフローマッチングと原始双対法の間の、単純で効果的で、新しい理論的接続を開放する。
  論文  参考訳（メタデータ） (2026-07-05T21:25:51Z)
• GPU-Parallel Linearization Error Bounds for Real-Time Robust Optimal Control of Nonlinear and Neural Network Dynamics [3.9198548406564595]
  本稿では, 線形時間変化(LTV)近似により予測可能ではあるが, 頑健な制約満足度を保証するためには, 音波線形化誤差境界(LEB)を必要とする不確実非線形系の実時間ロバスト最適制御について検討する。 我々は,非線形およびニューラルネットワーク(NN)ダイナミクスのLTV近似のための,厳密で微分可能なGPU並列LEBを開発する。 提案手法は,GPU上で最大67Hzの速度でロバストな制御ポリシを計算し,正規保証とリアルタイム性能を保ちながら,ベースラインに対する解決時間と保守性を低減できる。
  論文  参考訳（メタデータ） (2026-07-01T17:42:37Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Mode-Shape Expansion Using Physics-Constrained Gaussian Process Regression [0.0]
  本稿では,スパースセンサデータから全フィールド構造モード形状を再構築する課題について述べる。 提案手法はGPに基づく予測における既存の制限を克服し,より正確で信頼性の高い拡張モード形状を提供する。
  論文  参考訳（メタデータ） (2026-05-21T23:33:59Z)
• Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming [55.848340925419286]
  等式制約と不等式制約を持つ2次最適化問題の解に対するオンライン統計的推測について検討した。 これらの問題を解決するための逐次プログラミング(SSQP)手法を開発し、目的の近似と制約の線形近似を逐次実行することでステップ方向を計算する。 本手法は,Hjek と Le Cam の意味での最適原始双対制限行列を用いて局所正規性を示す。
  論文  参考訳（メタデータ） (2025-11-27T06:16:17Z)
• Enforcing governing equation constraints in neural PDE solvers via training-free projections [5.539946449743145]
  ヤコビアンベクトルとベクトルヤコビアン積を用いた近似解の2つの訓練不要なポストホック射影を評価する。 両プロジェクションは、物理インフォームドベースラインに対する違反を大幅に低減し、精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-21T14:03:28Z)
• Physics-Constrained Flow Matching: Sampling Generative Models with Hard Constraints [0.6990493129893112]
  最近、偏微分方程式(PDE)によって支配される物理系に深部生成モデルが適用されている。 既存の手法は、厳しい制約を保証できないような、ソフトな罰則やアーキテクチャ上の偏見に頼っていることが多い。 本研究では,事前学習フローベース生成モデルにおける任意の非線形制約を強制するゼロショット推論フレームワークである物理制約フローマッチングを提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:12:37Z)
• Controlled Learning of Pointwise Nonlinearities in Neural-Network-Like Architectures [14.93489065234423]
  本稿では,階層型計算アーキテクチャにおける自由形式非線形性のトレーニングのための一般的な変分フレームワークを提案する。 傾斜制約により、1-Lipschitz安定性、堅固な非膨張性、単調性/可逆性といった特性を課すことができる。 本稿では, 非線形性を適切な(一様でない)B-スプラインベースで表現することで, 数値関数最適化問題の解法を示す。
  論文  参考訳（メタデータ） (2024-08-23T14:39:27Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Constrained Optimization via Exact Augmented Lagrangian and Randomized Iterative Sketching [55.28394191394675]
  等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。 ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-28T06:33:37Z)
• Stochastic Nonlinear Control via Finite-dimensional Spectral Dynamic Embedding [20.43835169613882]
  本稿では,非線形系の最適制御のためのスペクトルダイナミクス埋め込み制御(SDEC)を提案する。 これはシステムの非線形力学によって誘導される無限次元の特徴表現を明らかにし、状態-作用値関数の線形表現を可能にする。 実用的な実装では、この表現は有限次元のトランケーションを用いて近似される。
  論文  参考訳（メタデータ） (2023-04-08T04:23:46Z)
• LQF: Linear Quadratic Fine-Tuning [114.3840147070712]
  本稿では,非線形微調整に匹敵する性能を実現する事前学習モデルの線形化手法を提案する。 LQFはアーキテクチャの単純な変更、損失関数、そして一般的に分類に使用される最適化で構成されている。
  論文  参考訳（メタデータ） (2020-12-21T06:40:20Z)

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。