論文の概要: Hard Guarantees at a Measured Price: Entropy-Stable Learned Finite Volumes for Compressible Flow

• arxiv url: http://arxiv.org/abs/2607.20171v2
• Date: Mon, 27 Jul 2026 15:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 14:56:47.034845
• Title: Hard Guarantees at a Measured Price: Entropy-Stable Learned Finite Volumes for Compressible Flow
• Title（参考訳）: コンプレキシブルフローのためのエントロピー安定学習有限体積測定器
• Authors: Denis Gueyffier,
• Abstract要約: 非構造メッシュ上の二次元方程式に対する学習された有限体積スキームを提案する。 計算の前に固定されたプロトコルで評価する。 両方の学習したヘッドをオフにした保証機構は、すべての周期的なケースにおいて、同じメッシュで最強のスキームである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned solvers for compressible flow are usually compared to classical methods at equal mesh resolution rather than at equal computational cost, and they typically offer no guarantee that their solutions remain physically admissible. We present a learned finite volume scheme for the two-dimensional Euler equations on unstructured meshes, admissible by construction and with an entropy-stable interior flux. We evaluate it under protocols fixed before any computation: frozen thresholds, falsification clauses, negative controls, a factor decomposition of the learned components, and an iso-cost comparison against the refined classical baseline. The decomposition produced the central result: the guarantee machinery alone, with both learned heads switched off (the unlearned skeleton), is the strongest scheme at equal mesh on every periodic case. At equal wall-clock cost the picture inverts into a map. Learning pays robustly only on the wall case whose boundary-condition type it never saw (10.8%). Its periodic gains flip sign with the evaluation draw (+10% on one held-out case, -12% on the hardest). The skeleton is the only method whose iso-cost gain never changes sign, at a measured overhead of 1.74x per step. The guaranteed variant completes 36 of 36 rollouts, Mach extrapolation and unseen wall included, with zero negativity events. We fix the guaranteed scheme's one remaining out-of-distribution weakness, Mach extrapolation, at inference time: with scale-invariant network inputs, a specific-entropy floor, and no retraining, the corrected arm overtakes the unconstrained arm on one Mach case, cuts its deficit on the other by a third, passes the skeleton on the unseen wall, and keeps the guarantee. A spatial gate closes the loop: activating the heads only near the walls beats both the skeleton and the corrected arm, and transfers unchanged to a second wall geometry.
• Abstract（参考訳）: 圧縮性フローの学習された解法は、計算コストが等しいというよりも、古典的なメッシュ分解法と比較されることが多く、それらの解が物理的に許容できるという保証は得られない。 非構造メッシュ上の2次元オイラー方程式に対する学習された有限体積スキームを、構成により許容され、エントロピー安定な内部フラックスを持つ。 我々は, 凍結しきい値, ファルシフィケーション節, 負の制御, 学習成分の因子分解, 洗練された古典的ベースラインに対する等コスト比較など, あらゆる計算の前に固定されたプロトコルで評価する。 両方の学習した頭(未学習の骨格)が切り離された保証機械は、全ての周期的な場合において、同じメッシュにおいて最強のスキームである。 壁面が等しくなれば、絵は地図に逆転する。 学習は、それまで見たことのない境界条件(10.8%)の壁にのみ、堅牢に報酬を支払う。 その周期的な利得は、評価図付きフリップサイン(ホールトアウトケース1件で+10%、最も難しいケースで-12%)である。 骨格は1歩あたり1.74倍のオーバーヘッドで、異種コストの利得が決して符号を変えない唯一の方法である。 保証された変種は36個のロールアウト、マッハの外挿、見えない壁を含む36個のロールアウトを完了し、負性事象はゼロである。 スケール不変のネットワーク入力、特定のエントロピーフロア、再トレーニング無しで、修正された腕は1つのマッハケースで非拘束腕をオーバーテイクし、もう1つの腕の欠陥を3分の1に減らし、見えない壁の骨格を通り過ぎ、保証を維持する。 空間ゲートはループを閉じる:壁のすぐ近くで頭部を活性化することは、骨格と修正された腕の両方を打ち負かし、第2の壁形状に変化しない。

関連論文リスト

• Cost Accounting for Reactive Computational Graphs: Exhaustive Sweeps, Sequential Mutation, and the Backward-Locality Gap [0.0]
  我々は、Juliaがニューラルネットワークの計算グラフの介入をどのように扱うかを示す。 我々は、持続的な突然変異の連続の正確なコストを証明し、挿入の間を解き放たない。 また、バッチアプリケーションがどのように順序非依存でサブ付加的であるかを示す。
  論文  参考訳（メタデータ） (2026-07-18T00:53:22Z)
• A Reproducible Pipeline for Symmetry-Respecting Excited States on Near-Term Quantum Computers: The H2O/STO-3G Case [0.0]
  変分励起状態量子アルゴリズムは、通常孤立して研究される理由により失敗する。 これらを1つの再現可能なパイプラインにまとめて、正確な対角化に対するすべてのクレームをチェックします。 この作業は、新しいメソッドではなく、教育とベンチマークのリファレンスであり、すべてのコード、パラメータ、フィギュアがリリースされる。
  論文  参考訳（メタデータ） (2026-06-26T14:30:39Z)
• What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
  本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。 複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
  論文  参考訳（メタデータ） (2026-06-19T06:04:17Z)
• Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
  現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。 本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。 8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
  論文  参考訳（メタデータ） (2026-06-02T06:51:15Z)
• Information-Geometric Decomposition of Generalization Error in Unsupervised Learning [0.0]
  教師なし学習のKulback-Leibler一般化誤差(GE)を,モデル誤差,データバイアス,分散の3つの非負成分に分解する。 分解は任意の e-フラットモデルクラスに対して完全である。
  論文  参考訳（メタデータ） (2026-04-14T06:23:18Z)
• A Fundamental Bound for Robust Quantum Gate Control [0.0]
  我々は、モデル付きおよび非モデル付き不確実性の存在下で、コヒーレント量子制御に対する普遍的な性能限界を導出する。 最悪の場合(従って平均的な)ゲートの忠実度が下界の$F ge Flbbigl(tf Omeffbigr)$に従うことを証明します。
  論文  参考訳（メタデータ） (2025-07-01T22:26:04Z)
• Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
  我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。 そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。 良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。 我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
  論文  参考訳（メタデータ） (2023-12-25T01:00:58Z)
• Variance-Dependent Regret Bounds for Linear Bandits and Reinforcement Learning: Adaptivity and Computational Efficiency [90.40062452292091]
  本稿では,不整合雑音を持つ線形帯域に対する計算効率のよい最初のアルゴリズムを提案する。 我々のアルゴリズムは未知のノイズの分散に適応し、$tildeO(d sqrtsum_k = 1K sigma_k2 + d)$ regretを達成する。 また、強化学習において、線形混合マルコフ決定過程(MDP)に対する分散適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-21T00:17:24Z)
• Linear Contextual Bandits with Adversarial Corruptions [91.38793800392108]
  本稿では,敵対的腐敗の存在下での線形文脈的包帯問題について検討する。 逆汚染レベルに適応する分散認識アルゴリズムをC$で提案する。
  論文  参考訳（メタデータ） (2021-10-25T02:53:24Z)
• Upper Confidence Primal-Dual Reinforcement Learning for CMDP with Adversarial Loss [145.54544979467872]
  マルコフ決定過程(CMDP)に対するオンライン学習の検討 本稿では,遷移モデルから標本化した軌跡のみを必要とする,新しいEmphupper confidence primal-dualアルゴリズムを提案する。 我々の分析では、ラグランジュ乗算過程の新たな高確率ドリフト解析を、高信頼強化学習の記念後悔解析に組み入れている。
  論文  参考訳（メタデータ） (2020-03-02T05:02:23Z)

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。