論文の概要: PhyMo: A Physical-Field Modality for Multimodal AI4Physics

• arxiv url: http://arxiv.org/abs/2609.27554v1
• Date: Wed, 23 Sep 2026 08:41:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.95632
• Title: PhyMo: A Physical-Field Modality for Multimodal AI4Physics
• Title（参考訳）: PhyMo:マルチモーダルAI4物理学のための物理場モダリティ
• Abstract要約: PhyMo(フィモ)は、PDE関連演算子を通して不均一な測定を組織する物理地上フレームワークである。 さまざまな物理的環境にまたがる5つのデータセットの実験は、PhyMoが最先端のパフォーマンスを達成することを示している。
• 参考スコア（独自算出の注目度）: 26.957998115530202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal learning is emerging as a powerful paradigm for AI for Physics (AI4Physics), where predicting physical systems requires the joint interpretation of heterogeneous observations, measurements, and domain knowledge. However, existing approaches typically represent physical quantities and governing equations as generic numerical or textual tokens, overlooking the physical constraints that determine their spatiotemporal interactions. To address this limitation, we introduce the \textbf{physical-field modality} and propose \textbf{PhyMo}, a physics-grounded multimodal framework that organizes heterogeneous measurements through PDE-associated operators. PhyMo follows a three-stage learning procedure: the physical-field encoder is first pretrained through field reconstruction under PDE residual supervision, its representations are subsequently aligned with visual embeddings in a shared latent space, and the fused multimodal representations are finally processed by corresponding downstream prediction heads. Experiments on five datasets spanning diverse physical environments show that PhyMo achieves state-of-the-art performance, compared to the strongest baseline on each dataset, demonstrating the superiority of PhyMo on multimodal representation learning in AI4Physics.
• Abstract（参考訳）: 物理学のためのAI(AI4Physics)の強力なパラダイムとしてマルチモーダル学習が登場し、物理システムの予測には異種観測、測定、ドメイン知識の合同解釈が必要である。 しかし、既存のアプローチは典型的には物理量を表し、それらの時空間的相互作用を決定する物理的な制約を見越して、一般的な数値またはテキストトークンとして方程式を定めている。 この制限に対処するため、PDE関連演算子を通して不均一な測定を組織する物理基底型マルチモーダルフレームワークである \textbf{PhyMo} を提案する。 PhyMoは3段階の学習手順に従う: 物理場エンコーダはまずPDE残差監視下でフィールド再構成により事前訓練され、その表現は共有潜在空間の視覚的埋め込みと整列され、融合したマルチモーダル表現は、対応する下流予測ヘッドによって最終的に処理される。 さまざまな物理環境にまたがる5つのデータセットの実験から、PhyMoは、各データセット上で最強のベースラインと比較して最先端のパフォーマンスを実現しており、AI4Physicsにおけるマルチモーダル表現学習におけるPhyMoの優位性を示している。

関連論文リスト

• CausalGS: Learning Physical Causality of 3D Dynamic Scenes with Gaussian Representations [0.3580891736370874]
  CausalGSは、複雑なダイナミックな3Dシーンの因果ダイナミクスをマルチビュービデオから学習するフレームワークである。 我々の研究は、人間のアノテーションがなければ、モデルは複数の物理的性質の間の複雑な相互作用を学習できることを示している。
  論文  参考訳（メタデータ） (2026-05-11T13:59:01Z)
• MMPhysVideo: Scaling Physical Plausibility in Video Generation via Joint Multimodal Modeling [55.72785604682579]
  MMPhysVideoは、共同マルチモーダルモデリングにおけるビデオ生成における物理的可視性を拡大するフレームワークである。 MMPhysVideoは、様々なベンチマークで高度なモデルよりも、物理的な可視性と視覚的品質を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-03T07:32:24Z)
• OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
  大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。 我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
  論文  参考訳（メタデータ） (2026-03-16T18:29:01Z)
• ProPhy: Progressive Physical Alignment for Dynamic World Simulation [55.456455952212416]
  ProPhyは、明示的な物理認識条件付けと異方性生成を可能にするプログレッシブ物理アライメントフレームワークである。 ProPhyは既存の最先端手法よりもリアルでダイナミックで物理的に一貫性のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-12-05T09:39:26Z)
• Towards a Foundation Model for Partial Differential Equations Across Physics Domains [1.7115425267046014]
  物理インフォームド・機械学習のためのモジュラー基礎モデルであるPDE-FMを提案する。 空間的、スペクトル的、時間的推論を不均一偏微分方程式(PDE)系に統一する。 PDE-FMは多種多様なPDEデータセット上で1度事前訓練され、アーキテクチャやデータ固有の変更なしに新しい物理レジームに転送できる。
  論文  参考訳（メタデータ） (2025-11-26T19:36:15Z)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)

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。