論文の概要: Physics-informed Diffusion Generative Model for Time-Series Data Synthesis in Dynamic Systems

• arxiv url: http://arxiv.org/abs/2608.10941v1
• Date: Tue, 11 Aug 2026 14:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.068587
• Title: Physics-informed Diffusion Generative Model for Time-Series Data Synthesis in Dynamic Systems
• Title（参考訳）: 動的システムにおける時系列データ合成のための物理インフォームド拡散生成モデル
• Authors: Haiteng Wang, Yunfei Zhu, Tao Wang, Yikang Li, Jiabao Dong, Xiaoge Zhang, Lei Ren,
• Abstract要約: 時系列データを合成するための物理埋め込み拡散生成モデルであるPhysDGMを紹介する。 PhysDGMは、生成過程の各逆拡散ステップに直接物理法則を埋め込み、軌道レベルの物理的整合性を確保する。 PhysDGMによって構築された大規模なAI合成データセットは、ターボファンエンジン、航空エンジン、バッテリー、化学プロセスにまたがる34のデータセットに強い忠実性を示す。
• 参考スコア（独自算出の注目度）: 12.442818580348055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial time-series signals, such as turbine temperature and rotational speed in aero-engines, are essential for monitoring the health and operational status of complex dynamical systems. However, collecting such data is often limited by harsh environments (e.g., high temperature and high pressure) and the high cost of experimental testing. To address this challenge, we introduce PhysDGM, a stepwise physics-embedded diffusion generative model for synthesizing time-series data that are consistent with the underlying physical laws of dynamical systems. PhysDGM embeds physical laws directly into each reverse diffusion step of the generative process, ensuring trajectory-level physical consistency, rather than enforcing constraints only at the final output. A large-scale AI-synthetic dataset (4.4 million samples, 20x scale-up) constructed by PhysDGM demonstrates strong fidelity across 34 datasets spanning turbofan engines, aero-engines, batteries, and chemical processes. After incorporating the synthetic data, the downstream task performance substantially surpassed that using real data alone by 48% for remaining useful life prediction, 15% for health indicator estimation, 22% for state-of-health assessment, and 20% for fault diagnosis. Moreover, it requires 10-20x less training data than existing approaches, substantially reducing the high cost of data collection in dynamical systems. We further demonstrate PhysDGM's potential in identifying early-stage faults in aero-engines by incorporating AI-synthesized data. In summary, PhysDGM provides a solid foundation for generating physically consistent industrial time-series, paving the way for expanding physics-guided AI into diverse data-scarce environments, including both industrial machinery and complex chemical reaction dynamics.
• Abstract（参考訳）: 航空機エンジンのタービン温度や回転速度などの産業用時系列信号は、複雑な力学系の健康状態や運用状態を監視するのに不可欠である。 しかし、このようなデータ収集は厳しい環境(例えば、高温、高圧)と高い実験コストによって制限されることが多い。 この課題に対処するために、動的システムの物理法則と整合した時系列データを合成するための物理埋め込み拡散生成モデルであるPhysDGMを紹介した。 PhysDGMは、生成過程の各逆拡散ステップに直接物理法則を埋め込み、最終的な出力のみに制約を課すのではなく、軌道レベルの物理的整合性を保証する。 PhysDGMによって構築された大規模なAI合成データセット(440万サンプル、20倍スケールアップ)は、ターボファンエンジン、航空エンジン、バッテリー、化学プロセスにまたがる34のデータセットに強い忠実さを示す。 総合データを組み込んだ結果, 実データのみを有効寿命予測で48%, 健康指標推定で15%, 健康状態評価で22%, 故障診断で20%と有意に上回った。 さらに、既存のアプローチよりも10～20倍少ないトレーニングデータを必要とし、動的システムにおけるデータ収集のコストを大幅に削減する。 さらに、AI合成データを組み込むことで、航空エンジンの早期故障を特定するPhysDGMの可能性を示す。 まとめると、PhysDGMは物理的に一貫した産業用時系列を生成するための確かな基盤を提供し、物理誘導型AIを産業機械と複雑な化学反応のダイナミクスを含む多様なデータ共有環境に拡張する道を開く。

関連論文リスト

• GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
  GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。 一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。 この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
  論文  参考訳（メタデータ） (2026-08-06T12:19:38Z)
• A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models [96.64934195520802]
  我々は、世界モデルの物理的信頼性をストレステストするために設計された物理地上評価フレームワークであるCrashTwinを紹介する。 CrashTwinは、25K制御可能な合成12K実世界の衝突シーケンスを含む、多様なマルチエージェント衝突シナリオのデータセットを結合している。 本稿では,時間的一貫性,運動量,運動エネルギーの保存,世界力学の整合性という3つの次元を体系的に評価する診断スイートを提案する。
  論文  参考訳（メタデータ） (2026-06-27T06:13:35Z)
• Neural Ordinary Differential Equations for Simulating Metabolic Pathway Dynamics from Time-Series Multiomics Data [0.0]
  プロテオームとメタボロームの複雑な相互作用を学習するための動的フレームワークとしてニューラル正規微分方程式(NODE)を導入する。 その結果,LymoneneおよびIsopentenolデータセットの基線上でのルート平均二乗誤差は90%以上改善した。
  論文  参考訳（メタデータ） (2025-12-09T15:44:03Z)
• Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference [89.5628648718851]
  因果推論は医療介入の開発と評価に不可欠である。 現実の医療データセットは、規制障壁のためアクセスが難しいことが多い。 本稿では,医学における治療効果分析のための新しい合成データ生成法STEAMを提案する。
  論文  参考訳（メタデータ） (2025-10-21T16:16:00Z)
• Process-Informed Forecasting of Complex Thermal Dynamics in Pharmaceutical Manufacturing [3.6138260410017797]
  医薬液化における温度に対するプロセスインフォームド予測(PIF)モデルを導入する。 PIFモデルは、正確性、物理的妥当性、耐雑音性の観点から、データ駆動モデルよりも優れています。
  論文  参考訳（メタデータ） (2025-09-24T17:42:00Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
  本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
  論文  参考訳（メタデータ） (2025-05-25T21:12:01Z)
• Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
  本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。 FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。 拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。 その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-29T10:33:07Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
  主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。 機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。 提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
  論文  参考訳（メタデータ） (2021-08-11T18:05:55Z)

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。