論文の概要: Variational Parameter Calibration with Physics-Aware Latent-Space Surrogates
- arxiv url: http://arxiv.org/abs/2608.11435v1
- Date: Tue, 11 Aug 2026 21:02:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.375706
- Title: Variational Parameter Calibration with Physics-Aware Latent-Space Surrogates
- Title（参考訳）: 物理を考慮した遅延空間サロゲートによる変分パラメータの校正
- Abstract要約: 本稿では,物理を意識したニューラルネットワークに基づく遅延空間フレームワークについて紹介する。
提案したオートエンコーダに基づくアプローチは,物理パラメータを潜在表現によって予測された流れ場にマッピングする,微分可能なサロゲートを与える。
- 参考スコア（独自算出の注目度）: 3.5829219417440368
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Forward and inverse modeling of parametric dynamical systems requires surrogate models that are not only accurate for state prediction, but also informative for parameter calibration. However, a systematic end-to-end differentiable formulation for coupling deep-learning-based reduced-order surrogates with variational parameter estimation remains underdeveloped. In this work, we introduce a physics-aware neural-network-based latent-space framework for reduced-order forward modeling and variational parameter estimation. The proposed autoencoder-based approach yields a differentiable surrogate that maps physical parameters to predicted flow fields through a latent representation. The observable supervision is used during offline training to encourage the latent variables to retain information correlated with system parameters, while the online inverse problem is solved in the parameter space through the surrogate-induced observation operator. The method is evaluated on two computational-fluid-dynamics benchmarks. The results show that reconstruction accuracy alone is insufficient for inverse modeling, owing to the lack of end-to-end differentiability or physics awareness for variational parameter calibration. Quantitative latent-space analysis further shows that observable supervision improves case-level separability and temporal organization of latent representations. Experiments with realistic measurement settings, including noisy, low-resolution, randomly masked, and block-wise partial observations, demonstrate the robustness of the proposed framework and show that it generally reduces calibration error and variability compared with the standard surrogate models.
- Abstract（参考訳）: パラメトリック力学系の前方および逆モデリングには、状態予測だけでなくパラメータのキャリブレーションにも正確な代理モデルが必要である。
しかし、ディープラーニングに基づく低次サロゲートと変分パラメータ推定を結合する体系的なエンドツーエンド微分可能な定式化は、まだ未開発である。
本研究では,物理を意識したニューラルネットベースのラテント空間フレームワークを導入し,低次フォワードモデリングと変分パラメータ推定を行う。
提案したオートエンコーダに基づくアプローチは,物理パラメータを潜在表現によって予測された流れ場にマッピングする,微分可能なサロゲートを与える。
観察可能な監視は、オフライントレーニング中に、潜伏変数がシステムパラメータと相関した情報を保持するように促すために使用され、一方、オンライン逆問題は、サロゲート誘起観測演算子を介してパラメータ空間で解決される。
この手法は2つの計算流体力学ベンチマークで評価される。
その結果,変分パラメータキャリブレーションにおいて,エンド・ツー・エンドの微分可能性の欠如や物理認識が欠如していることから,逆モデリングには再構成精度だけでは不十分であることが示唆された。
定量的潜時空間分析により、観測可能な監視は、潜時表現のケースレベルの分離性と時間的構造を改善することが示される。
雑音, 低分解能, ランダムマスク, ブロックワイド部分観察などの実測条件による実験は, 提案手法の頑健さを実証し, 標準サロゲートモデルと比較してキャリブレーション誤差と可変性を一般的に減少させることを示した。
関連論文リスト
- Neutrino Oscillation Parameter Estimation Using Structured Hierarchical Transformers [2.9849405664643585]
ニュートリノ振動はニュートリノ質量と混合パラメータの基本情報を符号化する。
確率ベースやモンテカルロサンプリングのような従来の推論手法は、パラメータ空間を探索するために広範囲なシミュレーションを必要とする。
本稿では,大気中ニュートリノ振動パラメータ推論を教師付き回帰タスクとして再構成するデータ駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T18:40:08Z) - Solving Inverse Parametrized Problems via Finite Elements and Extreme Learning Networks [0.0]
パラメータ依存偏微分方程式に対するパラメトリック・リダクション・オーダー・モデリング・フレームワークを開発した。
空間的離散化とパラメータ近似の相互作用を明示的に定量化する厳密な誤差推定を導出する。
提案手法は定量的な光音響トモグラフィーにおける逆問題に応用され、ポテンシャルとパラメータ再構成誤差の推定を導出する。
論文 参考訳（メタデータ） (2026-02-16T14:01:50Z) - VIKING: Deep variational inference with stochastic projections [48.946143517489496]
変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。
パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。
これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
論文 参考訳（メタデータ） (2025-10-27T15:38:35Z) - Ensembles of Neural Surrogates for Parametric Sensitivity in Ocean Modeling [10.718935131235261]
深層学習サロゲートを用いて、前方予測、自己回帰ロールアウト、後方随伴感度の両方を改善する。
本研究では,大規模ハイパーパラメータ探索とアンサンブル学習を活用し,前方予測,自己回帰ロールアウト,後方随伴感度の両方を改善する。
論文 参考訳（メタデータ） (2025-08-22T16:12:04Z) - A Regularization-Guided Equivariant Approach for Image Restoration [46.44312175792672]
同変および不変なディープラーニングモデルは、データに固有の対称性を利用するために開発されている。
これらの手法は、しばしば限られた表現精度に悩まされ、実際には成り立たないような厳密な対称性の仮定に依存する。
本稿では,ネットワークの表現精度を保ちながら,データに対する適切な対称性制約を適応的に適用する回転同変正規化戦略を提案する。
論文 参考訳（メタデータ） (2025-05-26T10:30:26Z) - Bayesian Model Parameter Learning in Linear Inverse Problems: Application in EEG Focal Source Imaging [49.1574468325115]
逆問題は、関心のシグナルを直接観測できない限定データ問題として記述することができる。
未知の非線形モデルパラメータを含む線形逆問題について検討した。
ベイズモデルに基づく学習手法を用いて,信号の回復とモデルパラメータの推定を行った。
論文 参考訳（メタデータ） (2025-01-07T18:14:24Z) - Diffusion Model-based Parameter Estimation in Dynamic Power Systems [2.190363465029132]
この研究は、そのような限界に対処する新しいパラメータ推定フレームワーク、JCDI(Joint Diffusion Model Inverse Problemsolvr)を導入する。
複合負荷モデルパラメータ化という電力系統の課題に対して、JCDIは単一条件モデルと比較してパラメータ推定誤差を58.6%削減する。
また、様々な電気的欠陥の下でシステムの動的応答を正確に再現し、根の平均二乗誤差は4*10(-3)以下である。
論文 参考訳（メタデータ） (2024-11-15T18:53:08Z) - Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。
入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。
コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
論文 参考訳（メタデータ） (2024-04-23T09:22:35Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳（メタデータ） (2023-07-05T18:14:38Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳（メタデータ） (2023-06-09T18:01:14Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z)
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。