論文の概要: PRIMS: Physics-guided Representation for Fluid Identification in Multimodal Sensing

• arxiv url: http://arxiv.org/abs/2607.22422v1
• Date: Fri, 24 Jul 2026 15:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.170754
• Title: PRIMS: Physics-guided Representation for Fluid Identification in Multimodal Sensing
• Title（参考訳）: PRIMS:マルチモーダルセンシングにおける流体識別のための物理誘導表現
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.879873056204737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate on-device fluid identification is essential for microfluidic applications, yet maintaining reliability under varying flow, pressure, and temperature remains a key challenge. Existing learning-based methods often treat sensor signals as domain-agnostic features, neglecting the underlying physical relationships that govern fluid behavior, thereby limiting generalization and interpretability. To address this, we propose PRIMS, a physics-aware multimodal Transformer that integrates physical knowledge into representation learning and attention mechanisms through three dedicated modules: (1) Physics-based Token Vectorization transforms raw Coriolis and pressure sensor signals into physically meaningful token embeddings; (2) Physical Component Synthesizer models viscosity-related dependencies among flow, pressure, and density; and (3) Physics-guided Fusion captures cross-physical correlations through attention-based integration. By embedding these physics-based relationships directly into the model architecture, PRIMS bridges analytical fluid mechanics and deep learning, enabling interpretable, data-efficient, and resilient fluid classification. Evaluations on a five-fluid benchmark under dynamic flow, pressure, and temperature conditions show that PRIMS achieves 98.92% average F1-score with only 0.46 million parameters, a 14 times reduction compared to state-of-the-art Transformer-based methods. PRIMS also consistently outperforms prior SOTA models under out-of-distribution shifts to unseen temperature ranges and unseen flow-rate ranges, indicating strong robustness to operating conditions not observed during training. These findings suggest that designing architectures that explicitly mirror governing physical relationships can make them learn transferable, environment-independent representations, improving real-world reliability for microfluidic sensing.
• Abstract（参考訳）: マイクロ流体応用には正確なオンデバイス流体識別が不可欠であるが、様々な流れ、圧力、温度の下で信頼性を維持することは重要な課題である。 既存の学習ベースの手法は、センサー信号をドメインに依存しない特徴として扱い、流体の挙動を管理する物理関係を無視し、一般化と解釈可能性を制限する。 そこで本研究では,物理知識を3つの専用モジュールを通じて表現学習と注意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であるPRIMSを提案する。(1)物理ベースのTokenベクトル化は,生のコリオリと圧力センサ信号を物理的に有意なトークン埋め込みに変換する;(2)物理成分合成器モデルでは,流れ,圧力,密度間の粘性関連性に依存し,(3)物理誘導核融合は注意に基づく統合を通して物理間の相関を捉える。 これらの物理に基づく関係をモデルアーキテクチャに直接埋め込むことで、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、弾力性のある流体分類を可能にする。 動的流れ、圧力、温度条件下での5流体ベンチマークの評価では、PRIMSの平均F1スコアは98.92%であり、パラメータはわずか0.46万であり、最先端のTransformerベースの手法に比べて14倍も減少している。 PRIMSは相変わらずSOTAモデルよりも優れており、トレーニング中に観測されない操作条件に対する強い堅牢性を示している。 これらの結果から, 物理的関係を明示的に反映したアーキテクチャを設計することで, 移動可能で環境に依存しない表現を学習し, マイクロ流体センシングの現実的信頼性を向上させることが示唆された。

関連論文リスト

• Adaptive Undulatory Locomotion of Snake-like Robots in Dynamic Viscous Environments via Deep Reinforcement Learning [2.024925013349319]
  本稿では,深部強化学習(DRL)がヘビのようなロボットを動的に変化する環境において,適応的な移動を可能にすることを示す。 非対称なアクター批判フレームワークを利用することで、物理シミュレータでのみ利用できる特権情報を用いて訓練された教師ポリシーは、その知識を学生ポリシーに蒸留する。 その結果、特権情報蒸留による暗黙的な環境推論は、予測不可能な流体力学の下での古典モデルの制約を回避するための効果的なアプローチであることが判明した。
  論文  参考訳（メタデータ） (2026-07-24T04:14:36Z)
• A Physics-Informed Fourier-Wavelet Transformer for Multiscale Computational Fluid Dynamics Surrogate Modeling [0.0]
  本研究では,物理インフォームドフーリエ・ウェーブレット変換器を用いて実世界ベンチマークの速度場再構成を行う。 シリンダー-ウェイク流と流体-構造相互作用の2つの実ベンチマークケースで実験を行った。 その結果,実際の高精度なトレードオフを維持しつつ,実世界の流れの再現性の向上が示された。
  論文  参考訳（メタデータ） (2026-06-23T15:24:05Z)
• FluidFlow: a flow-matching generative model for fluid dynamics surrogates on unstructured meshes [2.7455202504794642]
  本研究では,条件付きフローマッチングに基づく生成モデルであるFluidFlowを紹介する。 FluidFlowは、構造化メッシュと非構造化メッシュの両方で定義されたCFDデータを直接操作するように設計されている。
  論文  参考訳（メタデータ） (2026-03-30T10:08:20Z)
• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
  本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。 サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。 さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
  論文  参考訳（メタデータ） (2025-12-27T14:00:22Z)
• 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)
• Curly Flow Matching for Learning Non-gradient Field Dynamics [49.480209466896035]
  非勾配場力学を学習するための新しいアプローチであるCurly Flow Matching (Curly-FM)を導入する。 Curly-FMは、Schr"odinger Bridge問題の設計と解決によって、非勾配場力学を学習することができる。 Curly-FMは、基準プロセスと人口限界の両方に適合する軌道を学習することができる。
  論文  参考訳（メタデータ） (2025-10-30T16:11:39Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• The power of dynamic causality in observer-based design for soft sensor applications [0.7965327033045845]
  本稿では,動的因果解析により観測者に基づくソフトセンサを最適化するための新しい枠組みを提案する。 センサ選択への伝統的なアプローチは、複雑なシステムの時間的進化を捉えるのに失敗する線形化された可観測性指数や統計的相関に依存することが多い。
  論文  参考訳（メタデータ） (2025-09-14T16:27:58Z)
• Learning characteristic parameters and dynamics of centrifugal pumps under multiphase flow using physics-informed neural networks [1.6874375111244329]
  本研究では,ESPシステムの流体特性,動的状態,重要なパラメータを間接的に推定する物理インフォームドニューラルネットワーク(PINN)モデルを提案する。 PINNモデルの有効性は,これらの圧力測定を入力データとして,未知の状態とパラメータを推定することによって検証した。
  論文  参考訳（メタデータ） (2023-10-04T17:40:46Z)
• 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)

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。