論文の概要: STCO: Conditional Neural Operators for Time-Dependent PDEs

• arxiv url: http://arxiv.org/abs/2608.20477v1
• Date: Thu, 20 Aug 2026 18:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.129621
• Title: STCO: Conditional Neural Operators for Time-Dependent PDEs
• Title（参考訳）: STCO:時間依存型PDEのための条件付きニューラル演算子
• Abstract要約: 所定条件演算子学習(PCOL)のための時空間演算子(STCO)を導入する。 Flow-Aware Graph Leaf (FAGL)とDual-Site Feature-wise Linear Modulation (DSFiLM)を組み合わせた条件インタフェース 既存の物理的および時間的入力の異なる12のマッチングバックボーンアーキテクチャを評価した。
• 参考スコア（独自算出の注目度）: 8.239977577965861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural operators have emerged as efficient surrogates for time-dependent physical systems governed by partial differential equations (PDEs), but their future-state predictions are often conditioned only on observed states and static problem descriptors. For control or optimization, however, body motion, inflow, or forcing are prescribed for the query without being determined solely by the observed state. We introduce the Spatiotemporal Conditional Operator (STCO) for prescribed-condition operator learning (PCOL), a common interface that supplies prescribed target-time condition fields to heterogeneous backbone architectures while retaining their architecture-specific core computation and context pathways. Its condition interface combines Flow-Aware Graph Leaf (FAGL) with Dual-Site Feature-wise Linear Modulation (DSFiLM). Non-learned FAGL uses vorticity from the final observed frame to construct a fixed-cardinality adaptive partition, then co-locates the observed history and target-time condition fields at its regional coordinates. DSFiLM injects separate motion, inflow, and force routes before and after operator computation through current-feature-driven slot- and channel-wise gates. We evaluate twelve matched backbone architectures with different existing physical and temporal inputs. The immersed-boundary computational fluid dynamics (CFD) benchmark spans prescribed motion, inflow disturbances, body-force actuation, and morphology. Across twelve matched backbones, three regimes, and two lead ranges, STCO yields mean paired reductions of 31.1% in relative-L2 field error and 24.7% in normalized pressure-derived load error. It also lowers longer-lead field error for 11 backbones, while interventions on individual condition groups produce measurable prediction changes for every group evaluated.
• Abstract（参考訳）: ニューラル作用素は、偏微分方程式(PDE)によって支配される時間依存物理系の効率的なサロゲートとして現れてきたが、将来の予測は観測状態と静的問題記述子にのみ条件づけられることが多い。 しかし、制御や最適化のためには、観測状態のみによって決定されることなく、クエリに対して体の動き、流入、強制が規定される。 本研究では,所定条件演算子学習(PCOL)のための時空間演算子(STCO)を導入する。これはアーキテクチャ固有のコア計算とコンテキスト経路を維持しつつ,所定の目標時間条件フィールドを異種バックボーンアーキテクチャに供給する共通インターフェースである。 Flow-Aware Graph Leaf (FAGL)とDual-Site Feature-wise Linear Modulation (DSFiLM)を組み合わせる。 非学習型FAGLは、最終観測フレームからの渦を利用して、不動適応パーティションを構築し、その局所座標で観測された履歴と目標時間条件フィールドを共配置する。 DSFiLMは、現在の機能駆動のスロットワイドゲートとチャネルワイドゲートを通した演算子計算の前後で、別々の動き、流入、強制経路を注入する。 既存の物理的および時間的入力の異なる12のマッチングバックボーンアーキテクチャを評価した。 没入境界計算流体力学(CFD)ベンチマークは、所定の動き、流入障害、体力運動、形態にまたがる。 12個のマッチしたバックボーン、3つのレジーム、2つのリードレンジのうち、STCOは相対L2場誤差で31.1%、正規化圧力由来の負荷誤差で24.7%のペアの減少率を得る。 また、11個のバックボーンに対する長期のフィールドエラーを低減し、個々の条件群への介入は評価された各グループに対して測定可能な予測変化をもたらす。

関連論文リスト

• Generative Nested Sampling of Atomistic Thermodynamic Landscapes [37.547720439639015]
  フローベースネストサンプリングは重力波(GW)推論のボトルネックを取り除く。 PBC の LJ ディスクは, エネルギー評価を2桁以上, 壁面時を約3分の1以上削減することを示した。 PBCのLJディスクの場合、このアルゴリズムはエネルギー評価を2桁以上、壁時計時間はおよそ3分の1以上削減する。
  論文  参考訳（メタデータ） (2026-09-02T22:21:10Z)
• Physics-Integrated Operator Learning via Gaussian Splatting Representations [1.40323503250909]
  本稿では、離散化された解場と支配演算子の間の連続的なインターフェースとして、フィードフォワードガウススプラッティング表現が機能する物理積分への表現レベルアプローチを提案する。 本研究では, 対流, 拡散, 非線形自己対流のロールアウト, 反応力学を含む2次元および3次元PDEシステムにおけるフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-08-25T04:18:08Z)
• Learning Unsteady Aneurysm Hemodynamics with Physics-Informed DeepONets [0.0]
  M3PI-DeepONetは、平均相対的なL2速度誤差を4%以下、圧力誤差を5%程度で、非定常な3次元流速と圧力場を同時に予測する。 本研究は, 心血管疾患モデルにおける深層学習の応用を推し進め, リアルタイム非侵襲的臨床診断への一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-08-13T09:08:24Z)
• From Snapshots to Trajectories: Learning Single-Cell Gene Expression Dynamics via Conditional Flow Matching [40.46237203947526]
  単セルフローマッチング (ScFM) は結合分解フローマッチングに基づく遅延生成フレームワークである。 scFMは、時間的および時間的コヒーレントな可視化のための分布予測性能を一貫して改善する。 scFMはより正確な軌道再構成と、中間点が欠落している時間的コヒーレントな可視化をもたらす。
  論文  参考訳（メタデータ） (2026-05-21T11:26:19Z)
• CasualSynth: Generating Structurally Sound Synthetic Data [44.80087038178069]
  大言語モデル(LLM)は、現実的な合成データを生成するが、その出力がターゲットドメインを管理する因果的メカニズムを尊重することを保証しない。 本稿では,意味的実現から因果構造の生成を分離するフレームワークCausal Synthを紹介し,因果的妥当性と言語学的にリッチな合成データを生成する。
  論文  参考訳（メタデータ） (2026-05-17T16:21:01Z)
• Recovering Physical Dynamics from Discrete Observations via Intrinsic Differential Consistency [12.266189649117003]
  我々は地域の監督をグローバルな構造的制約に置き換える。 この特性からの偏差が2つの目的に作用する時間条件のセカント速度場を訓練する。 トレーニング正則化器として、時間スケールで一貫して構成されるフローに仮説空間を限定する。
  論文  参考訳（メタデータ） (2026-05-08T20:24:32Z)
• Dynamic Vine Copulas: Detecting and Quantifying Time-Varying Higher-Order Interactions [47.562560779723356]
  動的Vine Copula (DVC) はガウス系非ガウス系依存度を推定・診断するための時相的Vine Copula フレームワークである。 主な診断は、完全なブドウと一致した1-トランケートバージョンの比較であり、柔軟性のある1-ツリーの相互依存は、高木条件項による証拠から分離される。 DVCは、フレキシブルな時間的コプラモデルと、時間的依存の変化がペアワイズか条件付きかの解釈可能なテストを提供する。
  論文  参考訳（メタデータ） (2026-05-04T18:29:12Z)
• Physics-Guided Transformer (PGT): Physics-Aware Attention Mechanism for PINNs [0.0]
  物理誘導変換器(PGT)は,物理構造を直接自己認識機構に組み込むニューラルネットワークである。 本研究では,1次元熱方程式と2次元非圧縮性ナビエ・ストークス系のPGTを評価する。
  論文  参考訳（メタデータ） (2026-03-30T00:55:32Z)
• Physics-Informed Laplace Neural Operator for Solving Partial Differential Equations [11.064132774859553]
  物理インフォームド・ラプラス・ニューラル演算子 (PILNO) は偏微分方程式の高速サロゲート解法である。 物理をPDE、境界条件、初期条件残差による訓練に埋め込む。 PILNOは、小さなデータ設定における精度を一貫して改善し、ランダムなシード間の実行間変動を低減し、純粋なデータ駆動ベースラインよりも強力な一般化を実現する。
  論文  参考訳（メタデータ） (2026-02-13T08:19:40Z)
• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Unsupervised Spatio-Temporal State Estimation for Fine-grained Adaptive Anomaly Diagnosis of Industrial Cyber-physical Systems [5.1571273635572235]
  本稿では, MTSの異常を同定し, 診断するための微粒化適応型異常診断法(MAD-Transformer)を提案する。 その結果,MAD-Transformerは短時間で微粒な異常を適応的に検出でき,ノイズの堅牢性や局所化性能の点で最先端のベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-03-05T03:11:02Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)

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。