論文の概要: PIER: Physics-Informed Environmental Retrieval for Time-Series Modeling

• arxiv url: http://arxiv.org/abs/2607.20230v1
• Date: Wed, 22 Jul 2026 14:49:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.116111
• Title: PIER: Physics-Informed Environmental Retrieval for Time-Series Modeling
• Title（参考訳）: PIER:時系列モデリングのための物理インフォームド環境検索
• Abstract要約: 本稿では, 対象物とのフラックス応答の整合性によって候補をスコアする物理認識ストリームを用いて, 埋め込みに基づく検索を強化するモデルに依存しないフレームワークを提案する。 米国中西部の356の湖で41年間にわたって行われた実験では、PIERが水温と溶存酸素予測の基準線を一貫して上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 28.449067209126238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate modeling of environmental systems is fundamental to scientific understanding and decision-making, yet remains challenging because observations are limited and physical dynamics vary across systems. Retrieval-augmented approaches offer a natural path to transfer knowledge across systems, but standard embedding-based retrieval does not guarantee consistency of underlying physical processes, since scenarios with similar embeddings may arise from different underlying mechanisms. We propose Physics-Informed Environmental Retrieval (PIER), a model-agnostic framework that augments embedding-based retrieval with a physics-aware stream that scores candidates by flux-response consistency with the target, using local verifiers trained on physics-derived flux features. A weight adjustment mechanism then learns per-scenario weights that adaptively balance the two retrieval streams based on diagnostic features summarizing physics-stream reliability. Experiments on 356 lakes across the Midwestern United States spanning 41 years show that PIER consistently outperforms baselines for water temperature and dissolved oxygen prediction, and serves as a general augmentation strategy across diverse backbones.
• Abstract（参考訳）: 環境システムの正確なモデリングは、科学的理解と意思決定に不可欠であるが、観測は限定的であり、物理的力学はシステムによって異なるため、依然として困難である。 Retrieval-augmented approachは、システム間で知識を伝達する自然な経路を提供するが、標準的な埋め込みベースの検索は基盤となる物理プロセスの一貫性を保証しない。 本研究では,物理由来のフラックス特性を訓練した局所検証器を用いて,ターゲットとのフラックス応答の整合性によって候補をスコアする物理認識ストリームを用いて,埋め込みに基づく検索を強化するモデル依存型フレームワークPIERを提案する。 次に、重み調整機構は、物理ストリームの信頼性を要約する診断機能に基づいて、2つの検索ストリームを適応的にバランスさせるシナリオ毎の重みを学習する。 アメリカ合衆国中西部の356の湖で41年間にわたって行われた実験では、PIERは水温と溶存酸素予測の基準線を一貫して上回り、様々な背骨をまたいだ一般的な拡張戦略として機能している。

関連論文リスト

• Verifier-Guided Model Discovery for Physical Dynamical Systems with Pretrained Symbolic Transformers [11.537633174586956]
  本研究では,自然科学における予測の解釈と物理的監査を行うためのバリデーション誘導型ニューラル・ツー・シンボリック・方法論を開発した。 この研究は、自然科学において、解釈可能で物理的に監査可能な予測のための検証済みのニューラル・ツー・シンボリック・方法論を確立する。
  論文  参考訳（メタデータ） (2026-08-01T19:03:21Z)
• PRIMS: Physics-guided Representation for Fluid Identification in Multimodal Sensing [1.879873056204737]
  PRIMSは、物理知識を表現学習とアテンション機構に統合する物理認識型マルチモーダルトランスフォーマーである。 PRIMSは解析流体力学とディープラーニングを橋渡しし、解釈可能、データ効率、回復力のある流体分類を可能にする。
  論文  参考訳（メタデータ） (2026-07-24T15:46:28Z)
• Representation Learning for Spatiotemporal Physical Systems [43.674371165000544]
  物理システムに対する機械学習のアプローチは、主に次世代の予測に焦点を当てている。 我々は、システムの物理パラメータを推定するなど、次のフレームを予測するための科学的タスクをさらに下流で検討する。 物理基底表現の学習における汎用的な自己指導手法の有効性を評価する。
  論文  参考訳（メタデータ） (2026-03-13T17:59:51Z)
• Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux [0.0]
  不確実性定量化(UQ)は、安全性評価ではなく、学習タスク自体への支援と見なされるべきである。 OECD/NEA Expert Group on Reactor Systems Multi-Physicsで発表されたCritical Heat Fluxベンチマークとデータセットに注目した。 ポストホック法は統計的キャリブレーションを保証するが、カバレッジ指向学習は複雑な物理状態に適合するようにモデルの表現を効果的に再評価する。
  論文  参考訳（メタデータ） (2026-02-25T09:04:15Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
  ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。 現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。 経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
  論文  参考訳（メタデータ） (2025-10-13T15:19:07Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• Physics-Guided Foundation Model for Scientific Discovery: An Application to Aquatic Science [13.28811382673697]
  事前学習したMLモデルと物理モデルを組み合わせたtextittextbfPhysics-textbfGuided textbfFoundation textbfModel(textbfPGFM)を提案する。 実世界の湖沼における水温と溶存酸素動態のモデル化における本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-02-10T00:48:10Z)
• Air Quality Prediction with Physics-Guided Dual Neural ODEs in Open Systems [26.70737906860735]
  大気汚染は人間の健康と生態系を著しく脅かし、公共政策を知らせるために効果的な大気質予測を必要とする。 伝統的なアプローチは一般に物理学に基づくモデルとデータ駆動モデルに分類される。 本稿では,ニューラルネットワークの2つの枝を統合した物理誘導型アプローチであるAirDualODEを提案する。
  論文  参考訳（メタデータ） (2024-10-25T13:56:13Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)

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。