論文の概要: Accelerated surrogate dynamics for dynamical, stochastic system evolution

• arxiv url: http://arxiv.org/abs/2609.37184v1
• Date: Tue, 29 Sep 2026 10:07:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.409209
• Title: Accelerated surrogate dynamics for dynamical, stochastic system evolution
• Title（参考訳）: 動的・確率的系進化のための加速された代理動力学
• Abstract要約: 我々のフレームワークは、変分オートエンコーダと畳み込みまたはグラフベースを組み合わせることで、システムの寸法を小さくする。 このフレームワークを3つの異なるケースでテストし、その堅牢性を証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic simulations are an entrenched way of gaining insight into the evolution of system dynamics. Their computational cost however is often prohibitively high, especially in cases of stochastic frameworks. Machine learning algorithms are especially suited as simulation surrogates. Nevertheless, they face some very distinct limitations. Firstly, the sheer dimensionality of these systems, however, precludes the use of traditional time series models who struggle with high dimensional feature spaces. Additionally, traditional time series focus exclusively on either long or short range effects, causing local or global drift given enough time. In this paper, we propose a framework that addresses those limitations. Our framework combines a Variational Autoencoder, with a convolutional or graph basis that reduces the dimensionality of the system. This latent vector is propagated in time using a Temporal Fusion Transformer model, which includes both long range and short range effect encoding, as well as static covariate support. We test our framework on three distinct cases, to prove its robustness and in all three we have achieved practically identical to the simulation results at a fraction of the time. Further, our framework is flexible enough to be adapted to any new system and provides an inbuilt uncertainty quantification for targeted experiment design.
• Abstract（参考訳）: 動的シミュレーションは、システムのダイナミクスの進化に関する洞察を得るための、定着した方法である。 しかし、その計算コストは、特に確率的フレームワークの場合、しばしば違法に高い。 機械学習アルゴリズムは特にシミュレーションサロゲートとして適している。 しかし、それらはいくつかの非常に明確な制限に直面している。 第一に、これらのシステムの重大次元性は、高次元の特徴空間に苦しむ伝統的な時系列モデルの使用を妨げる。 加えて、伝統的な時系列は、長さまたは短距離の影響にのみ焦点をあてており、局所的またはグローバルなドリフトに十分な時間を与えている。 本稿では,これらの制約に対処するフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダと畳み込みまたはグラフベースを組み合わせることで、システムの寸法を小さくする。 この潜伏ベクトルは、長範囲と短距離のエフェクトエンコーディングと静的な共変量サポートを含むテンポラルフュージョントランスフォーマーモデルを用いて時間内に伝播する。 このフレームワークを3つの異なるケースでテストし、その堅牢性を証明する。 さらに,本フレームワークは任意の新しいシステムに適用できるほど柔軟であり,対象とする実験設計のための不確実性定量化が組み込まれている。

関連論文リスト

• Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
  本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
  論文  参考訳（メタデータ） (2026-05-02T17:09:31Z)
• Non-intrusive Learning of Physics-Informed Spatio-temporal Surrogate for Accelerating Design [0.0]
  物理インフォームド・テンポラル・サロゲート・モデリング(PITM)フレームワークを提案する。 我々は,シリンダーまわりの2次元非可換流れという,関心のボトルネックに関する枠組みを評価する。
  論文  参考訳（メタデータ） (2026-04-15T21:13:05Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• AutoHFormer: Efficient Hierarchical Autoregressive Transformer for Time Series Prediction [36.239648954658534]
  時系列予測には、3つの競合する目標を同時に達成するアーキテクチャが必要である。 本稿では,これらの課題に対処する階層型自己回帰変換器であるAutoHFormerを紹介する。 総合的な実験により、AutoHFormer 10.76XはP08のPatchTSTと比較して高速なトレーニングと6.06倍のメモリ削減を示した。
  論文  参考訳（メタデータ） (2025-06-19T03:47:04Z)
• Evolve Smoothly, Fit Consistently: Learning Smooth Latent Dynamics For Advection-Dominated Systems [14.553972457854517]
  複雑な物理系のサロゲートモデルを学ぶための,データ駆動・時空連続フレームワークを提案する。 ネットワークの表現力と特別に設計された整合性誘導正規化を利用して,低次元かつ滑らかな潜在軌道を得る。
  論文  参考訳（メタデータ） (2023-01-25T03:06:03Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)

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。