論文の概要: Physics-Guided Conditional Diffusion Model for Rare Event Synthesis and Diagnosis for the Water-Gas Shift Reaction

• arxiv url: http://arxiv.org/abs/2609.35499v1
• Date: Mon, 28 Sep 2026 16:03:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 21:20:16.863258
• Title: Physics-Guided Conditional Diffusion Model for Rare Event Synthesis and Diagnosis for the Water-Gas Shift Reaction
• Title（参考訳）: 希少事象合成のための物理誘導条件拡散モデルと水-ガス-シフト反応の診断
• Abstract要約: 水素(H2)は、高エネルギー密度と炭素排出ゼロのため、化石燃料のエコフレンドリーな代替品として扱われる。 水-ガスシフト(水-ガスシフト、英: water-gas shift、WGS)は、一酸化炭素と蒸気を水素と二酸化炭素に変換することで、水素生産に広く用いられる産業プロセスである。 WGS反応のためのリアルな希少軌道を生成する物理誘導条件拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.4779196219827507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the world moves towards sustainable energy sources, hydrogen (H2) can be treated as an eco-friendly alternative to fossil fuels due to its high energy density and zero carbon emissions. The water-gas shift (WGS) reaction is a widely used industrial process for hydrogen production by converting carbon monoxide and steam into hydrogen and carbon dioxide. However, occurrences like severe fouling, catalyst deterioration, and thermal runaway can hamper the reaction kinetics/process safety and decrease the yield of H2. These incidents are rare, and gathering process data under such abnormal conditions is challenging. In this work, we propose a physics-guided conditional diffusion model to generate realistic rare-event trajectories for the WGS reaction. The proposed model integrates a conditional denoising diffusion probabilistic model (CDDPM) with governing laws of the reaction to generate physically consistent process trajectories. The conditioning features allow the model to produce high-quality synthetic profiles for rare-event domains that are typically beyond the training regimes. The generated rare-event trajectories then augment the raw dataset for a balanced distribution between normal and abnormal conditions. We further propose a hazard score to assess the risk severity of the operating condition based on the operating trajectory. Deep learning models are trained with the augmented dataset to diagnose the health status of the reaction. Simulation results show that the proposed physics-guided diffusion model outperforms data-driven models in terms of the quality of synthetic data and diagnosis performance for rare events.
• Abstract（参考訳）: 世界が持続可能なエネルギー源へと進むにつれ、水素(H2)は高エネルギー密度と二酸化炭素排出量のゼロのため化石燃料に代わるエコフレンドリーな代替物として扱われる。 水-ガスシフト(水-ガスシフト、英: water-gas shift、WGS)は、一酸化炭素と蒸気を水素と二酸化炭素に変換することで、水素生産に広く用いられる産業プロセスである。 しかし, 重度の汚濁, 触媒劣化, 熱流出などの発生は, 反応速度論的・プロセス安全を阻害し, H2の収率を低下させる。 このような異常な状況下でのプロセスデータの収集は困難である。 本研究では,WGS反応のリアルな希少軌道を生成する物理誘導条件拡散モデルを提案する。 提案モデルでは, 条件付き縮退拡散確率モデル (CDDPM) と反応の法則を統合し, 物理的に一貫したプロセス軌道を生成する。 条件付け機能により、モデルは通常訓練体制を超えた希少領域の高品質な合成プロファイルを作成できる。 生成された希少な軌跡は、正常な状態と異常な状態の間のバランスの取れた分布のために生のデータセットを増大させる。 また,オペレーショナル・トラジェクトリに基づいて,オペレーショナル・コンディションのリスク重大度を評価するハザードスコアを提案する。 深層学習モデルは、反応の健康状態を診断するために、拡張データセットで訓練される。 シミュレーションの結果, 物理誘導拡散モデルでは, 合成データの品質や希少事象の診断性能の観点からデータ駆動モデルよりも優れていた。

関連論文リスト

• Entropy-Constrained Machine Learning with Residual Data Augmentation for Modeling Chemical Kinetics [0.0]
  このモデルは、詳細な化学資源の直接評価を、還元熱化学状態から反応速度を予測する代理物質に置き換える。 物理的整合性を改善するため、熱力学の第2法則がトレーニング制約として組み込まれている。 このモデルは、計算コストのオーダー・オブ・マグニチュード以上を達成しつつ、高忠実度で詳細な化学結果を再現する。
  論文  参考訳（メタデータ） (2026-07-10T16:31:40Z)
• Data Enrichment for Symbolic Regression Using Diffusion Models [4.817429789586127]
  SRモデルに対する物理誘導型潜在流動性拡散フレームワークを提案する。 本研究では, 熱伝導, 非圧縮性ナビエ・ストークス流, 移動単質量ニュートン重力ポテンシャルについて検討した。
  論文  参考訳（メタデータ） (2026-05-31T04:03:32Z)
• EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
  EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-17T06:11:56Z)
• Condition Errors Refinement in Autoregressive Image Generation with Diffusion Loss [56.120591983649824]
  本稿では拡散損失を伴う拡散・自己回帰モデルの理論解析について述べる。 自動回帰モデルにおけるパッチデノゲーション最適化は、条件誤差を効果的に軽減し、安定した条件分布をもたらすことを示す。 「条件不整合に対処するための最適輸送(OT)理論に基づく新しい条件改善手法を導入する。」
  論文  参考訳（メタデータ） (2026-02-02T07:48:04Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• ChemKANs for Combustion Chemistry Modeling and Acceleration [0.0]
  ChemKANは、燃焼化学のためのモデル推論とシミュレーション加速のための新しいニューラルネットワークフレームワークである。 ケムカンの構造はカルモゴロフ・アーノルドネットワークの一般微分方程式(KAN-ODE)を、関連する力学および熱力学の法則を通じて情報の流れを知ることで強化する。 我々は、ChemKANsの頑健さを、最大15%の付加ノイズを含むスパースデータと、非常に大規模なネットワークパラメータ化にベンチマークする。
  論文  参考訳（メタデータ） (2025-04-17T01:53:28Z)
• Synthetic Lagrangian Turbulence by Generative Diffusion Models [1.7810134788247751]
  高レイノルズ数での3次元乱流における単一粒子軌道生成のための機械学習手法を提案する。 我々のモデルは、時間スケールでほとんどの統計ベンチマークを再現する能力を示している。 驚くべきことに、このモデルは極端な事象に対して強い一般化可能性を示し、依然として現実的な統計に合致する高い強度と希薄な事象を生み出している。
  論文  参考訳（メタデータ） (2023-07-17T14:42:32Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)

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。