論文の概要: Staying on the Attractor: Supervising Neural Surrogates of 3D Turbulence Where They Leave It

• arxiv url: http://arxiv.org/abs/2609.32864v1
• Date: Sat, 26 Sep 2026 18:51:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:29:52.847387
• Title: Staying on the Attractor: Supervising Neural Surrogates of 3D Turbulence Where They Leave It
• Title（参考訳）: トラクターに留まる: 立ち去る3次元乱流の神経サーロゲートを監督する
• Abstract要約: 本研究は,神経サロゲートが引き寄せられる場所を監督するために,OAS(off-attractor surveillance)を提案する。 OASは、固定基準軌道からの監督をサロゲートが失敗する可能性のある状態に拡張することで、物理モデルを神経シミュレーションに統合する。
• 参考スコア（独自算出の注目度）: 23.787714882810786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural surrogates are trained to predict 3D turbulent flows in place of direct numerical simulation (DNS). For chaotic flows, the goal is short-term pointwise accuracy followed by long-term physical and statistical fidelity. However, small prediction errors can carry a surrogate away from the flow's attractor. Off-attractor states are poorly represented in training data, leaving their evolution weakly constrained. The learned dynamics can then amplify deviations and lead to blow-up, freezing, or statistical drift. We propose off-attractor supervision (OAS) to supervise neural surrogates where they leave the attractor. OAS teaches the model how the true Navier-Stokes dynamics would evolve from these states. Each selected state is paired with its own future computed by DNS. Three generators select a few hundred states for relabeling. The first collects states from the surrogate's own rollouts. The second uses surrogate attacks to target freezing, excessive amplification, and violations of incompressibility and energy balance. The third perturbs training states along an amplified direction and a strongly damped random direction of the dynamics. All attacks run on the surrogate alone, and DNS relabeling is performed offline once per selected state. Experiments on $128^3$ turbulence show that OAS increases the median time to failure from 21 to 721 steps. The compared baselines achieve medians of at most 110 steps, and the advantage holds across training seeds. OAS also achieves the lowest pointwise error at step 15 and the best long-horizon statistics among the compared methods. OAS integrates physical models into neural simulation by extending supervision from fixed reference trajectories to states where the surrogate is likely to fail. This principle can guide the development of more reliable scientific surrogates when deployment takes models beyond the coverage of their training data.
• Abstract（参考訳）: ニューラルサロゲートは直接数値シミュレーション(DNS)の代わりに3次元乱流を予測するために訓練される。 カオスフローの場合、ゴールは短期的な点精度であり、その後に長期の物理的および統計的忠実度が続く。 しかし、小さな予測誤差は、流れの引力からサロゲートを遠ざけることができる。 オフトラクタ状態はトレーニングデータでは表現しにくいため、その進化は弱く制約されている。 学習されたダイナミクスは、偏差を増幅し、爆破、凍結、あるいは統計的ドリフトにつながる。 本研究は,神経サロゲートが引き寄せられる場所を監督するために,OAS(off-attractor surveillance)を提案する。 OASは、真のナビエ・ストークス力学がこれらの状態からどのように進化するかをモデルに教える。 各選択された状態は、DNSによって計算された独自の未来とペアリングされる。 3つのジェネレータは、レバーベリングのために数百の状態を選択する。 1つ目は、代理店自身のロールアウトから州を収集する。 2つ目は、凍結、過度な増幅、非圧縮性とエネルギー収支の違反を標的にサロゲート攻撃を使用する。 第3の摂動トレーニングは、増幅された方向と、力学の強い減衰したランダムな方向に沿って状態する。 すべてのアタックはサロゲートだけで実行され、DNS relabelingは選択された状態毎にオフラインで実行される。 128^3$の乱流実験により、OASは21から721ステップの故障までの中央値の時間を増加させることが示された。 比較ベースラインは、少なくとも110ステップの中央値を獲得し、その利点は訓練種子にまたがる。 OASは、ステップ15における最小点誤差と、比較した手法の中で最高の長水平統計値も達成する。 OASは、固定基準軌道からの監督をサロゲートが失敗する可能性のある状態に拡張することで、物理モデルを神経シミュレーションに統合する。 この原則は、トレーニングデータの範囲を超えてモデルを配置する場合、より信頼性の高い科学的サロゲートの開発を導くことができる。

関連論文リスト

• Reproducible macroscopic dynamics in a closed-loop human-AI learning system [7.194389573952499]
  閉ループヒトAIシステムは、集団動力学が不明な行動軌道を生成する。 モデルフィッティングの前にセマンティックな順序変数を定義し、ユーザ不随のコホートでそれらをテストする。 我々は、経験力学、解釈可能なメカニズム、ニューラルネットワークをリンクする外部に固定された先行方向有効場を同定する。
  論文  参考訳（メタデータ） (2026-08-31T15:17:01Z)
• Hybrid Neural World Models [1.0742675209112622]
  ニューラルサロゲートは、物理力学の古典的解法よりも大きなスピードアップを約束するが、衝撃、正面、接触などの急激な動的事象で静かに失敗する。 物理状態空間におけるマルチホライゾン・サロゲートのトレーニングと展開のレシピを提案する。 このレシピは、反応拡散、圧縮可能なオイラー、剛体衝突動力学を経ることなく適用できる。
  論文  参考訳（メタデータ） (2026-05-27T11:17:08Z)
• FlowS: One-Step Motion Prediction via Local Transport Conditioning [3.883772843505009]
  ローカルトランスポートコンディショニングは、安全クリティカルな自律性のために一段階の生成動作予測を実践する。 FlowSは75のアンサンブルを持つ最先端のSoft mAP (0.4804)とmAP (0.4703)を単一ステップ推論で調整する。
  論文  参考訳（メタデータ） (2026-04-28T19:06:06Z)
• Rectify, Don't Regret: Avoiding Pitfalls of Differentiable Simulation in Trajectory Prediction [8.730908751307737]
  現在のオープンループ軌道モデルは、小さな初期偏差が複雑なエラーを発生させるため、現実の自動運転に苦慮している。 シミュレーションステップ間のグラフを明示的に除去するために、分離された後退水平方向のロールアウトを導入する。 我々の手法はより堅牢な回復戦略をもたらし、目標衝突を最大33.24%削減する。
  論文  参考訳（メタデータ） (2026-03-24T16:28:09Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-12T14:36:53Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• Learning Turbulent Flows with Generative Models: Super-resolution, Forecasting, and Sparse Flow Reconstruction [6.508732875368554]
  演算子学習と生成的モデリングを組み合わせることで、この制限を克服できることが示される。 乱流3次元等方性等方性の場合、Adv-NOは、1つの軌道予測から160の時間ステップで5回の渦転回を正確に訓練した。 高スパース粒子追跡速度計のような入力からシリンダーフローを再構成するために、条件生成フェーズは正確な統計量で完全な3次元速度と圧力場を推定する。
  論文  参考訳（メタデータ） (2025-09-10T16:42:22Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)

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。