論文の概要: Physics Closure Matters for Machine Olfaction: A Maxwell--Stefan Graph Solver for Identifiable Dynamic Gas Unmixing
- arxiv url: http://arxiv.org/abs/2607.18544v1
- Date: Mon, 20 Jul 2026 22:21:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.256476
- Title: Physics Closure Matters for Machine Olfaction: A Maxwell--Stefan Graph Solver for Identifiable Dynamic Gas Unmixing
- Title（参考訳）: 機械オルフアクションのための物理クロージャ--動的ガスアンミキシングのためのマックスウェル-ステファングラフソルバー
- Abstract要約: We formulate gas unmixing as a multi-physics-constrained inverse problem by Maxwell-Stefan multicomponent transport PDEs。
物理閉グラフニューラルネットワークUnMixNetを提案する。
UnMixNetは、空間グラフ上のマクスウェル-ステファン交叉拡散を離散化し、各エッジ上の多成分フラックスを定式化する。
- 参考スコア（独自算出の注目度）: 6.156377010595533
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Machine olfaction for gas unmixing is an underconstrained inverse problem in which gas compositions must be inferred from low-dimensional, delayed, and entangled sensor responses produced by interacting chemical transport, surface adsorption, and sensor transduction. One of the key obstacles is physics closure misspecification, where a neural network is designed to fit sensor traces rather than infer a physically closed olfactory process. In this work, we formulate gas unmixing as a multi-physics-constrained inverse problem governed by Maxwell--Stefan multicomponent transport PDEs, competitive adsorption ODEs, and nonlinear sensor transduction ODEs. Directly solving such a high-dimensional coupled system is computationally expensive and often numerically unstable. To this end, we propose UnMixNet, a physics-closed graph neural solver that embeds this multi-physics forward process into end-to-end gas unmixing. UnMixNet discretizes Maxwell--Stefan cross-diffusion on spatial graphs and formulates the multicomponent flux on each edge. This design enables local, differentiable, and flux-conservative inference for multicomponent cross-diffusion. Evaluations on SmellNet show improved single-odor recognition, seen-mixture unmixing, and unseen-mixture generalization. In addition, an external validation on UCI Dynamic Gas Mixtures shows that the inferred concentration process agrees with ground truth concentration set points under dynamic transitions. Process-consistency diagnostics further show that the proposed model learns transferable dynamic physical fingerprints that better satisfies transport, conservation, adsorption, and readout closure.
- Abstract（参考訳）: ガスアンミキシングのための機械の作用は、化学輸送、表面吸着、センサーの伝達によって生じる低次元、遅延、絡み合ったセンサー応答からガス組成を推定しなければならない、制約の低い逆問題である。
ニューラルネットワークは、物理的に閉じた嗅覚過程を推測するのではなく、センサートレースに適合するように設計されている。
本研究では,マクスウェル-ステファン多成分輸送PDE,競合吸着ODE,非線形センサトランスダクションODEが支配する多物理制約逆問題としてガスアンミキシングを定式化する。
このような高次元結合系を直接解くのは計算コストが高く、しばしば数値的に不安定である。
この目的のために、物理学で閉じたグラフニューラルネットワークであるUnMixNetを提案し、この多物理フォワードプロセスをエンドツーエンドのガスアンミックスに埋め込む。
UnMixNetは、空間グラフ上のマクスウェル-ステファン交叉拡散を識別し、各エッジ上の多成分フラックスを定式化する。
この設計により、多成分クロス拡散に対する局所的、微分可能、およびフラックス保存的推論が可能になる。
SmellNetの評価では、単一臭気認識、ルックミクチャーアンミキシング、および目に見えないミクチャー一般化が改善された。
さらに, UCI の動的ガス混合系に対する外的検証により, 予測された濃度過程は, 動的遷移の下での基底真理濃度設定点と一致することが示された。
プロセス整合性診断は、提案モデルが輸送、保存、吸着、読み出し閉鎖をより良好に満足する、転送可能な物理指紋を学習することを示す。
関連論文リスト
- Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。
変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。
サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-08-07T12:28:45Z) - Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。
この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。
提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
論文 参考訳（メタデータ） (2026-06-15T18:19:17Z) - WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer [107.36949516442782]
本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。
論文 参考訳（メタデータ） (2026-05-14T18:18:12Z) - Physics-Guided Concentration Inference from Resistance Transients in a Mixed-Phase SnO-SnO$_2$ Carbon Monoxide Sensor with p-n Switching [0.0]
本研究では, 一酸化炭素濃度推定のための物理誘導型機械学習フレームワークを提案する。
サイクルレベルの過渡応答は物理的に解釈可能な記述子を通して表現される。
特にp型センシングは分類に好適であるのに対し,n型センシングは高忠実度回帰に好適であることを示す。
論文 参考訳（メタデータ） (2026-05-13T10:37:32Z) - EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。
静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。
高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
論文 参考訳（メタデータ） (2026-01-19T07:57:52Z) - A machine-learned expression for the excess Gibbs energy [15.799043135621565]
ギブスエネルギーは化学工学や化学において中心的な役割を担い、液体混合物の熱力学特性をモデル化するための基礎となる。
本研究では、柔軟ニューラルネットワークに物理法則をハード制約として組み込むことにより、この問題に対処する。
結果として得られたモデルであるHANNAは、Dortmund Data Bankのバイナリ混合物のための広範な実験データセットでエンドツーエンドにトレーニングされた。
論文 参考訳（メタデータ） (2025-09-08T09:47:03Z) - NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements [7.704598780320887]
本研究では、PINNと高忠実度スペクトル要素法(SEM)を融合したハイブリッドフレームワークであるNeuroSEMを紹介した。
NeuroSEMはPINNとSEMの両方の強度を活用し、多物理問題に対する堅牢な解決策を提供する。
キャビティフローおよびシリンダーを過ぎる流れにおける熱対流に対するNeuroSEMの有効性と精度を実証した。
論文 参考訳（メタデータ） (2024-07-30T22:01:14Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳（メタデータ） (2023-06-19T06:02:53Z) - Data-driven framework for input/output lookup tables reduction -- with
application to hypersonic flows in chemical non-equilibrium [0.0]
本稿では,超音速流シミュレーションに反応する還元熱化学モデルを抽出する新しい機械学習手法を提案する。
有限レート化学を用いた超音速平板境界層のシミュレーションにより,本手法の検証と評価を行った。
Mutation++を軽量でマシン学習の代替品に置き換えることで、全体的な精度を維持しながら、ソルバのパフォーマンスを50%向上させる。
論文 参考訳（メタデータ） (2022-10-09T14:03:26Z) - GeoDiff: a Geometric Diffusion Model for Molecular Conformation
Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。
GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文 参考訳（メタデータ） (2022-03-06T09:47:01Z) - Generalized Discrete Truncated Wigner Approximation for Nonadiabtic
Quantum-Classical Dynamics [0.0]
線形化半古典法, 一般化離散トランケートウィグナー近似(GDTWA)を導入する。
GDTWAは離散位相空間における電子自由度をサンプリングし、電子状態の集団の非物理的成長を禁ずる。
本手法は, 化学および関連分野における非断熱力学問題の解決に極めて適している可能性が示唆された。
論文 参考訳（メタデータ） (2021-04-14T21:53:35Z)
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。