論文の概要: DiffPDE: Masked Diffusion Language Models as PDE Solver

• arxiv url: http://arxiv.org/abs/2608.30532v1
• Date: Mon, 31 Aug 2026 10:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.340698
• Title: DiffPDE: Masked Diffusion Language Models as PDE Solver
• Title（参考訳）: DiffPDE: PDEソルバーとしてのタスク付き拡散言語モデル
• Abstract要約: DiffPDEは,個別拡散言語モデルを利用してコード修復を行うフレームワークである。 DiffPDEは、ローカライズされた再マスキングとインフィル戦略を導入することで、正しいコンテキストを維持しながら、誤った領域のみを再生する。 逐次介入を必要とする結合バグに対処するために,強化学習方式である反復GRPOを提案する。
• 参考スコア（独自算出の注目度）: 26.04140938471538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing approaches for synthesizing Partial Differential Equation (PDE) solvers predominantly rely on autoregressive models, yet their global left-to-right decoding incurs substantial redundancy when addressing inherently localized bugs. In this work, we challenge this inefficient paradigm and propose DiffPDE, a framework leveraging discrete diffusion language models for targeted code repair. By introducing a localized re-masking and infilling strategy, DiffPDE regenerates only erroneous regions while preserving correct context, naturally aligning generation with the sparse nature of PDE errors. Furthermore, to handle coupled bugs requiring sequential interventions, we present Iterative Debugging GRPO (ID-GRPO), a reinforcement learning scheme that enables multi-round debugging within single trajectories via intermediate rewards. Experiments on PDEBench show that DiffPDE achieves competitive accuracy, outperforms same-scale AR models, and significantly accelerates repair.
• Abstract（参考訳）: 部分微分方程式(PDE)を合成するための既存のアプローチは、主に自己回帰モデルに依存しているが、そのグローバルな左から右への復号化は、本質的に局所化されたバグに対処する際にかなりの冗長性を引き起こす。 本研究では,この非効率なパラダイムに挑戦し,DiffPDEを提案する。 DiffPDEは、局所的な再マスキングと埋め込み戦略を導入することで、正しいコンテキストを維持しながら誤った領域のみを再生し、PDEエラーのスパースな性質と自然に一致させる。 さらに、逐次的介入を必要とする結合バグに対処するため、中間報酬による1つの軌道内での複数ラウンドデバッグを可能にする強化学習方式である反復デバッグGRPO(Iterative Debugging GRPO)を提案する。 PDEBenchの実験では、DiffPDEは競争精度を達成し、同じスケールのARモデルを上回る性能を示し、修復を著しく加速する。

関連論文リスト

• Unsupervised Adaptation of PDE Foundation Models [17.002625091063937]
  そこで本研究では,非教師なしPDEに基づく微調整フレームワークを提案する。 提案手法は, 基本トラス解を必要とせず, 教師付きLoRAファインタニングに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2026-08-07T10:01:50Z)
• Weak-PDE-Net: Discovering Open-Form PDEs via Differentiable Symbolic Networks and Weak Formulation [10.638660239419636]
  Weak-PDE-Netは、オープンフォームPDEを堅牢に識別できるエンドツーエンドの差別化可能なフレームワークである。 いくつかの挑戦的なPDEベンチマークの実験では、Weak-PDE-Netは、非常にスパースでノイズの多い観測の下でも、正確に支配方程式を復元することを示した。
  論文  参考訳（メタデータ） (2026-03-24T08:47:01Z)
• Neighbor GRPO: Contrastive ODE Policy Optimization Aligns Flow Models [48.3520220561093]
  グループ相対政策最適化は、画像とビデオ生成モデルと人間の嗜好の整合性を示す。 現代のフローマッチングモデルに適用することは、決定論的サンプリングパラダイムのために難しい。 SDE の必要性を完全に回避する新しいアライメントアルゴリズム Neighbor GRPO を提案する。
  論文  参考訳（メタデータ） (2025-11-21T05:02:47Z)
• Physics-Informed Distillation of Diffusion Models for PDE-Constrained Generation [19.734778762515468]
  拡散モデルは、物理系のモデリング、特に偏微分方程式(PDE)によって支配されるものにおいて、注目を集めている。 本稿では, PDE 制約を直接拡散過程に注入するのではなく, ポストホック蒸留段階において適用する, 単純かつ効果的なポストホック蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-05-28T14:17:58Z)
• CALM-PDE: Continuous and Adaptive Convolutions for Latent Space Modeling of Time-dependent PDEs [21.325228694415085]
  CALM-PDEは圧縮潜在空間における任意の離散化PDEを効率的に解くモデルクラスである。 我々は,エプシロン近傍に制約のあるカーネルを用いた,新しい連続畳み込み型エンコーダデコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-19T10:31:30Z)
• CodePDE: An Inference Framework for LLM-driven PDE Solver Generation [57.15474515982337]
  偏微分方程式(PDE)は物理系のモデリングの基本である。 従来の数値解法は専門家の知識に頼って実装し、計算コストがかかる。 大規模言語モデルを用いてPDEソルバを生成するための最初の推論フレームワークであるCodePDEを紹介する。
  論文  参考訳（メタデータ） (2025-05-13T17:58:08Z)
• Mechanistic PDE Networks for Discovery of Governing Equations [52.492158106791365]
  データから偏微分方程式を発見するためのモデルであるメカニスティックPDEネットワークを提案する。 表現されたPDEは解決され、特定のタスクのためにデコードされる。 線形偏微分方程式に特化して、ネイティブ、GPU対応、並列、スパース、微分可能多重グリッドソルバを開発した。
  論文  参考訳（メタデータ） (2025-02-25T17:21:44Z)
• Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers [53.79279286773326]
  我々は、多様なデータに基づいて訓練され、多様なPDEで条件付けされた新しいトランスフォーマーモデルUnisolverを提案する。 Unisolverは3つの挑戦的な大規模ベンチマークで一貫した最先端を実現し、優れたパフォーマンスと一般化性を示している。
  論文  参考訳（メタデータ） (2024-05-27T15:34:35Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• PDE+: Enhancing Generalization via PDE with Adaptive Distributional Diffusion [66.95761172711073]
  ニューラルネットワークの一般化は、機械学習における中心的な課題です。 本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。 私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
  論文  参考訳（メタデータ） (2023-05-25T08:23:26Z)

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。