論文の概要: Towards Large-Scale Heterogeneous Data Organization for Scientific Foundation Models: A Nuclear Fusion Case Study

• arxiv url: http://arxiv.org/abs/2608.27578v2
• Date: Mon, 31 Aug 2026 03:26:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 15:47:04.351543
• Title: Towards Large-Scale Heterogeneous Data Organization for Scientific Foundation Models: A Nuclear Fusion Case Study
• Title（参考訳）: 科学財団モデルのための大規模不均一データ組織を目指して:核融合事例研究
• Abstract要約: 効果的な基礎モデルのトレーニングには、大規模で組織化されたデータセットが必要であるが、核融合のような科学領域は、大半が異質でスパースなデータのため、固有の課題を提示する。 ここでは、サンプリングレートの5桁にまたがる20以上のセンサタイプ、混合テンソル構造(点計測、分光図、画像)、非定常物理学など、そのようなモデルの開発に使用されるデータを特徴付ける。 本分析は,マルチモーダル制御系と核融合の両方に影響を及ぼすマルチモーダル変動データを大規模に表現するためのテンプレートを提供する。
• 参考スコア（独自算出の注目度）: 3.740823927833819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training effective foundation models requires massive and organized datasets, yet scientific domains such as nuclear fusion present unique challenges due to largely heterogeneous and sparse data. Here we characterize the data used in developing such a model: with over 20 sensor types spanning 5 orders of magnitude in sampling rate, mixed tensor structures (point measurements, spectrograms, images), and nonstationary physics. We analyze our input complexity and discuss trade-offs between temporal context and frequency resolution. Our analysis provides a template for representing multi-modal fluctuation data at scale, with implications for both multi-modal control systems and nuclear fusion.
• Abstract（参考訳）: 効果的な基礎モデルのトレーニングには、大規模で組織化されたデータセットが必要であるが、核融合のような科学領域は、大半が異質でスパースなデータのため、固有の課題を提示する。 ここでは、サンプリングレートの5桁にまたがる20以上のセンサタイプ、混合テンソル構造(点計測、分光図、画像)、非定常物理学など、そのようなモデルの開発に使用されるデータを特徴付ける。 入力複雑性を分析し、時間的文脈と周波数分解能のトレードオフについて議論する。 本分析は,マルチモーダル制御系と核融合の両方に影響を及ぼすマルチモーダル変動データを大規模に表現するためのテンプレートを提供する。

関連論文リスト

• Knowledge-guided Pattern Discovery via Coupled Tensor Factorizations [1.179778723980276]
  我々は、データと計算モデルを組み合わせた知識誘導型アプローチを導入する。 実メタボロミクス測定実験により,このようなノイズデータの解析を導くことにより,パターン発見性能が向上することが示された。
  論文  参考訳（メタデータ） (2026-08-13T13:38:45Z)
• Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity [93.52679474816728]
  拡散モデルは、生成モデリングにおける主要なフレームワークとなっている。 本稿では,拡散モデルが構造データをどのように学習するかを,統計的複雑性とデータ幾何学的性質の影響の2つの重要な側面に焦点をあてる。 また、スコア関数の構造と多様体曲率の相互作用も強調する。
  論文  参考訳（メタデータ） (2026-03-21T04:40:19Z)
• A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
  科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。 この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。 我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
  論文  参考訳（メタデータ） (2025-08-28T18:30:52Z)
• Detecting Model Misspecification in Cosmology with Scale-Dependent Normalizing Flows [0.3840425533789961]
  本稿では,スケール依存型ニューラルサプリメント統計と正規化フローを組み合わせた新しいフレームワークを提案する。 本稿では,3つのCAMELSシミュレーションスイートの物質密度場とガス密度場を用いたアプローチへの最初の適用例を示す。
  論文  参考訳（メタデータ） (2025-08-07T18:00:09Z)
• A Novel Diffusion Model for Pairwise Geoscience Data Generation with Unbalanced Training Dataset [8.453075713579631]
  UB-Diff'はマルチモーダルなペア型科学データ生成のための新しい拡散モデルである。 1つの大きな革新は、1対2のエンコーダ・デコーダネットワーク構造であり、コラテント表現からペアのデータを確実に得ることができる。 OpenFWIデータセットの実験結果から,UB-DiffはFr'echet Inception Distance(FID)スコアとペア評価において,既存の技術よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-01T19:49:38Z)
• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• PIETS: Parallelised Irregularity Encoders for Forecasting with Heterogeneous Time-Series [5.911865723926626]
  マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。 本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。 PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-09-30T20:01:19Z)

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。