論文の概要: HyperODE: Zero-Shot Surrogate for Simulation and Inference of Dynamical Systems
- arxiv url: http://arxiv.org/abs/2608.00852v1
- Date: Sat, 01 Aug 2026 20:16:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.957306
- Title: HyperODE: Zero-Shot Surrogate for Simulation and Inference of Dynamical Systems
- Title（参考訳）: HyperODE: 動的システムのシミュレーションと推論のためのゼロショットサロゲート
- Abstract要約: HyperODE はサロゲートであり、再訓練することなく、ほぼ一括保存されたコンパートメンタルモデルのクラス全体にわたって動作することができる。
キャリブレーションされた量子バンドを1つのフォワードパスで生成し、重み付きインターバルスコアと特別なサロゲートと同等のカバレッジを持つ。
逆推論のために、HyperODEは1つの共有エンコーダで数ミリ秒でノイズの多い状態軌跡からキャリブレーションを生成する。
- 参考スコア（独自算出の注目度）: 11.509241919034308
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and controlling complex dynamical systems often requires executing thousands of numerical simulations across vast parametric landscapes, which is time-consuming. Machine learning surrogates significantly accelerate simulation by predicting state trajectories across different initializations and parameter values. However, surrogate models are specialized to one simulation model. Modifying the underlying differential equations - e.g., adding a physiological state or altering an epidemiological contact network - renders trained models obsolete and forces computationally expensive retraining from scratch. We introduce HyperODE, a surrogate capable of operating across an entire class of approximately mass-conserving compartmental models without retraining. By mapping the structure of ordinary differential equations (ODEs) into directed hypergraphs, HyperODE decouples the functional form of system interactions from the neural network architecture. HyperODE takes a compartmental model in the form of an ODE with an arbitrary parameter distribution defined through quantiles and transforms it into a hypergraph. It outputs the distribution of the trajectories for all the states in the original ODE in the form of quantiles. We then use this surrogate to build an encoder that takes a noisy trajectory and outputs a distribution over the parameters of the original ODE, thus calibrating the model in a single pass. On families and system sizes never seen in training, HyperODE produces calibrated quantile bands in a single forward pass, with weighted-interval score and coverage on par with specialized surrogates for each structure. For inverse inference, HyperODE produces calibration from noisy state trajectories in a few milliseconds with a single shared encoder, competitive with existing methods. HyperODE extends zero-shot to ODEs that break mass conservation and to external forcing.
- Abstract（参考訳）: 複雑な力学系を理解し制御するには、時間を要する広大なパラメトリックな風景をまたいだ数千の数値シミュレーションを実行する必要がある。
機械学習は、異なる初期化とパラメータ値にわたる状態軌跡を予測することによって、シミュレーションを著しく加速する。
しかし、代理モデルは1つのシミュレーションモデルに特化している。
基礎となる微分方程式(例えば、生理的状態を追加したり、疫学的な接触ネットワークを変えたり)を変更することは、訓練されたモデルを時代遅れにし、計算的に高価な再トレーニングをゼロから強制する。
約1つの大容量コンパートメンタルモデルのクラス全体にわたって,再トレーニングなしで動作可能なサロゲートであるHyperODEを導入する。
通常の微分方程式(ODE)の構造を向き付けられたハイパーグラフにマッピングすることで、HyperODEはニューラルネットワークアーキテクチャからシステム相互作用の関数形式を分離する。
HyperODEは、量子化によって定義された任意のパラメータ分布を持つODEの形式でコンパートメンタルモデルをとり、それをハイパーグラフに変換する。
元のODEの全ての状態に対する軌跡の分布を量子化の形で出力する。
次に、このサロゲートを用いてノイズの多い軌道を辿り、元のODEのパラメータ上の分布を出力するエンコーダを構築し、モデルを一パスで校正する。
トレーニングで見たことのない家族やシステムサイズについて、HyperODEは1つのフォワードパスでキャリブレーションされた量子バンドを生成し、重み付きインターバルスコアと各構造のための特別なサロゲートと同等のカバレッジを持つ。
逆推論では、HyperODEは数ミリ秒でノイズの多い状態軌跡からキャリブレーションを生成し、1つの共有エンコーダで既存の手法と競合する。
HyperODEは、ゼロショットを、大量保存と外部強制を壊すODEに拡張する。
関連論文リスト
- Emulating Cosmic Structure Formation with a Lagrangian Neural Cellular Automaton [0.0]
本研究では,共振格子上の局所的反復的動的過程として構造形成に適用可能なハイブリッドディープラーニングフレームワークを提案する。
非線型物理学の高忠実なエミュレーションを実現するため,Zeldovich近似のテクスチレンス変位補正のみを学習するようにネットワークを訓練する。
トレーニングされたモデルでは、パワーとクロススペクトルのパーセンテージレベルの精度を非線形状態によくサポートしています。
論文 参考訳（メタデータ） (2026-07-29T18:00:01Z) - DeepRitzSplit Neural Operator for Phase-Field Models via Energy Splitting [0.0]
本稿では,古典的凸凹分割スキームを物理インフォームドラーニングでブリッジするニューラル演算子手法を提案する。
これはディープ・リッツ法(Deep Ritz method)で構成されており、神経演算子は位相場モデルの変分定式化を近似するために訓練される。
深層学習法を等方性アレン-カーン方程式および異方性樹状突起成長シミュレーションに適用した。
論文 参考訳（メタデータ） (2026-04-20T13:34:50Z) - AE-ViT: Stable Long-Horizon Parametric Partial Differential Equations Modeling [0.0]
本稿では、畳み込みエンコーダと、潜在表現を操作するトランスフォーマーと、再構成のためのデコーダからなるジョイントモデルを提案する。
提案手法は,潜在進化の効率と全フィールドモデルの忠実さを組み合わせ,多フィールド予測におけるDL-ROM,潜伏変圧器,平VTの性能を向上する。
論文 参考訳（メタデータ） (2026-04-07T21:19:45Z) - Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
ランダム行列によって駆動される高次元力学系について概説する。
機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
論文 参考訳（メタデータ） (2026-01-03T00:12:32Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - FMint: Bridging Human Designed and Data Pretrained Models for Differential Equation Foundation Model [5.748690310135373]
我々は、人間設計モデルとデータ駆動モデルとのギャップを埋めるために、textbfFMintという新しいマルチモーダル基盤モデルを提案する。
FMintは、インコンテキスト学習を備えたデコーダのみのトランスフォーマーアーキテクチャに基づいて、数値データとテキストデータの両方を用いて、普遍的なエラー訂正スキームを学習する。
本研究は,従来の数値解法と比較して,精度と効率の両面から提案モデルの有効性を実証するものである。
論文 参考訳（メタデータ） (2024-04-23T02:36:47Z) - Zero-shot Imputation with Foundation Inference Models for Dynamical Systems [5.549794481031468]
我々は,ODEによって決定されると仮定される時系列データの欠落を補うという古典的な問題に対して,新たな視点を提供する。
本稿では,いくつかの(隠れた)ODEを満たすパラメトリック関数を通じて,ゼロショット時系列計算のための新しい教師付き学習フレームワークを提案する。
我々は,1と同一(事前学習)の認識モデルが,63個の異なる時系列に対してゼロショット計算を行なえることを実証的に実証した。
論文 参考訳（メタデータ） (2024-02-12T11:48:54Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳（メタデータ） (2022-11-05T07:07:58Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z)
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。