論文の概要: Decomposition-Guided Diffusion Language Models for Inertial Confinement Fusion Prediction
- arxiv url: http://arxiv.org/abs/2609.07756v1
- Date: Mon, 07 Sep 2026 17:00:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.488694
- Title: Decomposition-Guided Diffusion Language Models for Inertial Confinement Fusion Prediction
- Title（参考訳）: 慣性閉じ込め核融合予測のための分解誘導拡散言語モデル
- Abstract要約: ナショナル・イグニション・ファシリティ(National Ignition Facility)では、それぞれ100万ドル(約1億円)の費用がかかる。
我々は、最初のLMベースのICF予測器であるICF-DLMを提案する。
ICFBench(50Kシミュレーション+232実験ショット)では、ICF-DLMは一致した自己回帰式LLaMA-3-8B上でピークタイミング誤差を11.6から9.2ステップに削減する。
- 参考スコア（独自算出の注目度）: 20.091343436161385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inertial confinement fusion (ICF) is a leading pathway toward clean energy, but each shot at the National Ignition Facility costs on the order of one million dollars, making accurate AI surrogates a high-value target. We study exogenous-driven ICF waveform prediction, where a 512-step neutron-rate diagnostic must be inferred directly from a laser pulse and target design parameters, with no historical response observed. The regime stresses standard time-series predictors with temporal sparsity (picosecond peak in a nanosecond window), input-output scale mismatch (under 300 real shots), and peak sensitivity (picosecond timing). We propose ICF-DLM, to our knowledge the first LM-based ICF predictor, combining (i) a physics-typed decomposition into yield $Y_{DT}$, peak timing $t_{\mathrm{peak}}$, and local waveform $w_{\mathrm{local}}$; (ii) bidirectional denoising that defers commitment to peak location; and (iii) a physics-driven PPO reward re-injecting metric structure across numeric tokens. On ICFBench (50K simulations + 232 experimental shots), ICF-DLM cuts peak-timing error from 11.6 to 9.2 steps over a matched autoregressive LLaMA-3-8B and outperforms classical sequence models and LLM-based time-series predictors. Beyond ICF, the recipe shows potential to address science domains with low data and sparse events.
- Abstract（参考訳）: 慣性凝縮核融合(ICF)はクリーンエネルギーの先導経路であるが、国家点火施設を撮影するたびに100万ドルの費用がかかる。
我々は、512ステップの中性子レート診断をレーザーパルスとターゲット設計パラメータから直接推測し、歴史的な応答を観測せずに、外因性駆動型ICF波形予測について検討した。
このレジームは、時間間隔(ナノ秒ウィンドウにおけるピコ秒ピーク)、入力出力スケールミスマッチ(実写300枚以下)、ピーク感度(ピコ秒タイミング)の標準時系列予測器を強調している。
ICF-DLMを提案する。
i) 物理型分解を$Y_{DT}$, peak timing $t_{\mathrm{peak}}$, and local waveform $w_{\mathrm{local}}$;
二 ピーク位置へのコミットメントに反する双方向の聴取
3)物理駆動のPPO報酬は、数値トークン間でメートル法構造を再注入する。
ICFBench (50K シミュレーション+232 実験ショット)では、ICF-DLMは一致した自己回帰型 LLaMA-3-8B 上でピークタイミング誤差を11.6 から 9.2 ステップに削減し、古典的なシーケンスモデルと LLM ベースの時系列予測器を上回っている。
ICF以外にも、このレシピは、低いデータとスパースイベントで科学領域に対処する可能性を示している。
関連論文リスト
- Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study [1.8419890068150178]
時系列基礎モデル(TSFM)は再利用可能な表現とゼロショット予測を約束する。
本研究は,3つの設定にまたがってプロトコルを考慮した経験的評価を示す。
論文 参考訳（メタデータ） (2026-08-24T08:30:06Z) - From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - Multimodal Transformer Based Generic Mixture Density Network for Scattering Timescale Estimation of Fast Radio Bursts [0.7632410926487435]
本稿では,MT-GMDN (Multimodal Transformer Based Generic Mixture Density Network) という深層学習手法を提案する。
MT-GMDN は CHIME/FRB cattwo から$sim3500$ FRB のトレーニングを行い,トレーニング中の検証やトレーニング完了後のテストのために一部の FRB を保有した。
モデルは、測定可能な散乱を伴う事象に対する期待値の$$$$に対して94%$の判定係数(R2$)を、テストにおいて90%$の優れたリコール値で達成する。
論文 参考訳（メタデータ） (2026-06-02T13:01:08Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - ABM-UDE: Developing Surrogates for Epidemic Agent-Based Models via Scientific Machine Learning [1.949837893170278]
我々は、ユニバーサル微分方程式(UDEs)を用いて、大規模ABM軌道から直接学習する郡対応サロゲートを開発した。
我々は、介入駆動型体制シフトにおける神経増強型疫学ダイナミクスの同定を安定化するために、多重射撃と観測者に基づく予測エラー法(PEM)を適用した。
推論はコモディティCPU($sim$90日予測で20-35秒)で数秒で実行され、ラップトップ上で夜の「What-if」スイープを可能にする。
論文 参考訳（メタデータ） (2026-02-25T05:19:43Z) - Optimal Learning-Rate Schedules under Functional Scaling Laws: Power Decay and Warmup-Stable-Decay [9.371921537573346]
機能的スケーリング法則の下で、最適学習率スケジュール(LRS)について検討する。
LRSは線形回帰と大規模言語モデル(LLM)の事前学習の損失ダイナミクスを正確にモデル化する。
我々は,ピーク学習率のみを調整した最適な形状固定スケジュールを解析する。
論文 参考訳（メタデータ） (2026-02-06T15:52:30Z) - MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。
我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。
1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
論文 参考訳（メタデータ） (2025-11-17T06:17:08Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - PINGS: Physics-Informed Neural Network for Fast Generative Sampling [0.0]
PINGSは,物理インフォームドネットワークをトレーニングし,逆時間確率フローのダイナミクスを近似することで拡散サンプリングを補正するフレームワークである。
概念実証として、3次元標準正規から非ガウスガウス混合モデル(GMM)への直接写像を学習する。
PINGSは、終点アンカーを持つPINNスタイルの残差問題として生成的サンプリングを行い、NFE = 1 のホワイトボックスで微分可能な写像を得る。
論文 参考訳（メタデータ） (2025-09-14T14:22:33Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Inertial Confinement Fusion Forecasting via Large Language Models [48.76222320245404]
本研究では,従来の貯水池計算パラダイムとLarge Language Models(LLM)の新たな統合である$textbfLPI-LLM$を紹介する。
我々は、$textitLLM-anchored Reservoir$, augmented with a $textitFusion-specific Prompt$を提案する。
また、最初の$textttLPI$ベンチマークである$textbfLPI4AI$も提示します。
論文 参考訳（メタデータ） (2024-07-15T05:46:44Z)
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。