論文の概要: Learning Macroscopic Dynamics without Reconstructing Microscopic States

• arxiv url: http://arxiv.org/abs/2609.37392v2
• Date: Fri, 02 Oct 2026 15:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.430464
• Title: Learning Macroscopic Dynamics without Reconstructing Microscopic States
• Title（参考訳）: 微視的状態の再構成を伴わないマクロダイナミクスの学習
• Abstract要約: 本研究では, マクロな予測を行うために, 潜在状態を動的に学習するための再構成不要なフレームワークを提案する。 我々の理論解析は, 共同訓練による再建不良とスケール崩壊を特徴づけるものである。
• 参考スコア（独自算出の注目度）: 29.906955082516475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling the temporal evolution of macroscopic properties of complex systems is an important scientific task. To predict this evolution without full microscopic simulation, a common approach encodes microstates into compact latent states, learns their evolution, and reads out macroscopic predictions from the latent trajectory. These latent states are often learned through microstate reconstruction. However, with limited latent capacity, reconstruction can favor high-variance microscopic details over information needed for macroscopic prediction. Yet jointly learning latent states and their transition without reconstruction often fails to obtain latent dynamics that support accurate macroscopic prediction. We show that this failure can arise from latent scale collapse: shrinking the latent state scale reduces training loss while macroscopic evolution error remains large. Here, we propose a reconstruction-free framework to learn latent states with their dynamics for prescribed macroscopic prediction. Training alternates between updating the latent representation with the transition and next-state latent targets fixed, and updating the transition with the latent representation fixed. At inference, the trained model predicts macroscopic states recursively from an initial microstate. Our theoretical analysis characterizes reconstruction misalignment and scale collapse under joint training, and gives a sufficient condition for local convergence to correct latent dynamics for our method. Experiments on epidemic spreading on a lattice, mixing of two particle species, and polymer stretching demonstrate that the proposed method achieves substantially better macroscopic prediction over baselines.
• Abstract（参考訳）: 複雑なシステムのマクロ特性の時間的進化をモデル化することは重要な科学的課題である。 完全な顕微鏡シミュレーションなしでこの進化を予測するため、一般的なアプローチでは、マイクロステートをコンパクトな潜伏状態に符号化し、その進化を学び、潜伏軌道からマクロな予測を読み出す。 これらの潜伏状態は、しばしばマイクロステート再構築を通じて学習される。 しかし、遅延容量が限られているため、再構成はマクロ的な予測に必要な情報に対して高分散の顕微鏡的詳細を求めることができる。 しかし、再現のない潜在状態とその遷移を共同学習することは、正確なマクロ予測をサポートする潜在ダイナミクスを得るのに失敗することが多い。 遅延状態の縮小はトレーニング損失を減少させるが、マクロな進化誤差は大きい。 そこで本稿では, 所定のマクロ予測のために, 潜在状態を動的に学習するための再構成不要なフレームワークを提案する。 トレーニングは、遅延表現と遷移を固定した次の状態の遅延ターゲットを更新することと、遅延表現を固定した遷移を更新することとを交互に行う。 推測において、トレーニングされたモデルは初期ミクロ状態から再帰的にマクロ状態を予測する。 我々の理論解析では, 共同訓練における再構成ミスアライメントとスケール崩壊を特徴付けるとともに, 局所収束に十分な条件を与える。 格子上に拡散する拡散, 2種の粒子種混合, およびポリマー伸張実験により, 提案法は基線上でのマクロな予測を著しく向上することを示した。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction [13.239769357659412]
  物理誘導型完全畳み込み学習フレームワークを導入し,構造進化を予測する。 提案手法は, 物理方程式をトレーニング対象に明示的に組み込むことにより, 学習力学が既知の法則と整合性を保つことを奨励する。
  論文  参考訳（メタデータ） (2026-06-18T23:20:51Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Fully Convolutional Spatiotemporal Learning for Microstructure Evolution Prediction [0.5437050212139087]
  従来のシミュレーション手法は、複雑な偏微分方程式を微細分解で解く必要があるため高価である。 本稿では, 高精度を維持しつつ, 微構造進化予測を管理する深層学習フレームワークを提案する。 繰り返しニューラルネットワークと比較して、トレーニングと推論の両方において計算コストを大幅に削減した、最先端の予測性能をモデル化した。
  論文  参考訳（メタデータ） (2026-02-23T14:55:28Z)
• Unified machine-learning framework for property prediction and time-evolution simulation of strained alloy microstructure [0.0]
  本研究では, 弾性場の影響下での合金構造物の時間的進化に対処するために, 統一的な機械学習フレームワークを導入する。 このアプローチは、短い軌道から弾性パラメータを同時に抽出し、その影響下でのさらなる微細構造進化の予測を可能にする。
  論文  参考訳（メタデータ） (2025-07-29T12:43:04Z)
• Macroscopic states and operations: a generalized resource theory of coherence [6.874745415692133]
  我々は、マクロな状態の概念、すなわち、マクロな詳細の粗い表現に焦点を合わせ、マクロな測定結果からのみ推測できる状態として定義する。 我々は、コヒーレンス、熱水性、純度、非対称性の既存の資源理論を統一し、一般化する微視的資源理論を開発する。
  論文  参考訳（メタデータ） (2025-04-17T08:28:09Z)
• Beyond Progress Measures: Theoretical Insights into the Mechanism of Grokking [50.465604300990904]
  グロキング(Grokking)とは、オーバーフィッティングの拡張後のテスト精度の急激な改善を指す。 本研究では、素数演算のタスクにおいて、Transformerの基盤となるグルーキング機構について検討する。
  論文  参考訳（メタデータ） (2025-04-04T04:42:38Z)
• A Microstructure-based Graph Neural Network for Accelerating Multiscale Simulations [0.0]
  本稿では,この問題のマルチスケール性を維持するための代替的な代理モデル戦略を提案する。 我々は, 顕微鏡材料モデルを維持しながら, グラフニューラルネットワーク(GNN)を用いて, フルフィールドの顕微鏡歪みを予測した。 本研究では,サロゲートが複雑なマクロな応力-ひずみ経路を予測可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-20T15:54:24Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)

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。