論文の概要: Heteroscedastic Neural Surrogate Modeling for Robust and Rapid Bayesian Inference in Fusion Plasma Diagnostics

• arxiv url: http://arxiv.org/abs/2608.19377v1
• Date: Wed, 19 Aug 2026 18:45:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.383987
• Title: Heteroscedastic Neural Surrogate Modeling for Robust and Rapid Bayesian Inference in Fusion Plasma Diagnostics
• Title（参考訳）: 核融合プラズマ診断におけるロバストおよび急速ベイズ推論のためのヘテロセダスティック・ニューラル・サロゲートモデリング
• Abstract要約: 本稿では,高速かつ堅牢なMCMC推論のためのニューラルネットワークに基づく確率的サロゲートフレームワークを提案する。 提案手法では,予測物理放射スペクトルとチャネルワイド内在性測定ノイズ分散を同時に推定するために,デュアルヘッドアーキテクチャを用いる。 このサロゲートフレームワークは、正確な物理フォワードモデルよりも1500倍加速し、同時に推論誤差(RMSE)を標準ホモシダスティック神経ベースラインに比べて20%削減することを示した。
• 参考スコア（独自算出の注目度）: 1.1961510466705991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian inference via Markov Chain Monte Carlo (MCMC) provides effective parameter estimation, but its real-time application in complex physical systems is hindered by heavy computational bottlenecks and extreme sensitivity to statistical noise. We address this by proposing a neural-network-based probabilistic surrogate framework for rapid and robust MCMC inference. Using fusion plasma Thomson scattering diagnostics as a challenging, noise-dominated testbed, our approach employs a dual-head architecture to simultaneously estimate the expected physical emission spectrum and the channel-wise intrinsic measurement noise variance. By optimizing a Gaussian Negative Log-Likelihood (GNLL) objective, the learned aleatoric uncertainty dynamically buffers the sampler against pathological shot noise. Evaluations demonstrate that this surrogate framework achieves > 1500x acceleration over exact physical forward models, while simultaneously reducing inference error (RMSE) by >20% compared to standard homoscedastic neural baselines, offering a highly promising paradigm for real-time physical analysis.
• Abstract（参考訳）: マルコフ・チェイン・モンテカルロ (MCMC) によるベイズ推定は効果的なパラメータ推定を提供するが、複雑な物理系における実時間適用は計算のボトルネックと統計ノイズに対する極度な感度によって妨げられる。 我々は、高速で堅牢なMCMC推論のためのニューラルネットワークに基づく確率的サロゲートフレームワークを提案する。 核融合プラズマトムソン散乱診断を難易度の高いノイズ優先試験ベッドとして用いて,本手法では,期待される物理放射スペクトルとチャネルワイド内在性測定ノイズ分散を同時に推定するために,デュアルヘッドアーキテクチャを用いる。 ガウス陰性対数(GNLL)目標を最適化することにより、学習されたアレタリック不確実性は、病理ショットノイズに対してサンプルを動的にバッファリングする。 このサロゲート・フレームワークは、正確な物理フォワードモデルよりも1500倍の加速を達成し、同時に推論誤差(RMSE)を標準ホモシダスティック・ニューラルベースラインに比べて20%削減し、リアルタイム物理解析に非常に有望なパラダイムを提供する。

関連論文リスト

• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• Fast Bayesian equipment condition monitoring via simulation based inference: applications to heat exchanger health [39.61652266573024]
  熱交換器の複雑な故障モードを診断するために,アモータイズされた神経後部推定を利用したAI駆動型フレームワークを提案する。 このフレームワークをMCMCベースラインに対して,様々な合成ファウリングおよびリークシナリオでベンチマークする。 ニューラルネットワークの償却された性質は、ほぼ瞬時に推論を可能にし、高度にスケーラブルでリアルタイムな代替手段としてSBIを確立する。
  論文  参考訳（メタデータ） (2026-04-22T16:21:25Z)
• Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
  画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。 本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:58:43Z)
• Self-induced stochastic resonance: A physics-informed machine learning approach [0.0]
  自己誘発共鳴(英: Self-induced resonance, SISR)は、ノイズのみによって駆動される励起系におけるコヒーレント振動の出現である。 本研究は、フィッツヒューニューロンにおけるSISRのモデリングと予測のための物理インフォームド機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T21:49:20Z)
• Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
  生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
  論文  参考訳（メタデータ） (2025-09-30T14:02:00Z)
• Measuring Sample Quality with Copula Discrepancies [0.0]
  Copula Discrepancy (CD) は、依存構造に対する原理的かつ計算学的に効率的な診断である。 我々の理論的枠組みは、近似推論の時代に特化して設計された最初の構造認識診断を提供する。 計算オーバーヘッドのオーバヘッドは、既存のスタインの差よりも桁違いに低いため、CDはMCMC実践者にとって即時的な実用価値と、次世代の構造を意識したサンプル品質評価の理論的基礎の両方を提供する。
  論文  参考訳（メタデータ） (2025-07-29T02:11:45Z)
• Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy [13.797945335120056]
  本研究は,代謝物濃度の後方分布を近似するために正規化フロー(SNF)を用いたベイズ推論フレームワークを導入する。 物理ベースのデコーダは、MSS信号生成の事前知識を取り入れ、現実的な分布表現を保証する。
  論文  参考訳（メタデータ） (2025-05-06T14:50:14Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• 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)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)

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。