論文の概要: A foundation model for energy and radiation systems built on heterogeneous scientific interfaces

• arxiv url: http://arxiv.org/abs/2609.38067v1
• Date: Tue, 29 Sep 2026 17:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.787173
• Title: A foundation model for energy and radiation systems built on heterogeneous scientific interfaces
• Title（参考訳）: 異種科学界面上に構築されたエネルギー・放射線系の基礎モデル
• Abstract要約: GEODEはタスク固有の科学インターフェースをウェーブレット演算子の共有ルートライブラリに結合する。 単一の関節で事前訓練されたモデルは、空洞の流れ、放射線線量、弾塑性ストレスを表す。 別個の分解は、フィールドレベルがノルムを支配している場合、空間的変動に対して、フルフィールド相対的なL2誤差が実質的に過小評価されることを示している。
• 参考スコア（独自算出の注目度）: 2.5227912984325362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific foundation models are commonly evaluated after heterogeneous physical problems have already been translated into a compatible gridded, tokenized or symbolic representation. This leaves the scientific interface outside both the pretrained model and the audit of what is actually reused. We study the complementary setting in which boundary histories, sparse monitor records and loading histories retain their native inference classes and their outputs remain on Cartesian, latitude-longitude and unstructured domains. GEODE couples task-specific scientific interfaces to a shared routed library of wavelet operators. A single jointly pretrained model represents cavity flow, radiation dose and elastoplastic stress, then acquires a heat exchanger and a reactor subchannel by training a private interface containing 2.1% of its parameters. Earlier predictions remain unchanged by parameter isolation, whereas unrestricted fine-tuning degrades them by factors of 14-29. Crucially, preservation alone does not establish reuse: norm-matched randomized-library controls show that the contribution of pretrained computation is conditional on the task and data regime. A separate decomposition shows that full-field relative L2 error can substantially understate error relative to spatial variation when field level dominates the norm. Task-specific operators remain more accurate on three of the five problems. These results distinguish multi-task coverage, preservation and pretrained reuse as separate properties that must be tested independently when scientific foundation models span heterogeneous interfaces.
• Abstract（参考訳）: 科学的基礎モデルは、異種物理問題が既に互換性のあるグリッド化された、トークン化された、あるいは象徴的な表現に翻訳された後、一般的に評価される。 これにより、科学的なインターフェースは、事前訓練されたモデルと実際に再利用されているものの監査の両方から外される。 本研究では, 境界履歴, 疎度監視記録, 負荷履歴がそれらの固有推論クラスを保持し, それらの出力が, カルト紀, 緯度経度, 非構造領域に残る相補的設定について検討する。 GEODEはタスク固有の科学インターフェースをウェーブレット演算子の共有ルートライブラリに結合する。 単独で事前訓練されたモデルは、空洞の流れ、放射線線量、エラストプラ応力を表し、それからパラメータの2.1%を含むプライベートインターフェースをトレーニングして熱交換器と原子炉サブチャネルを取得する。 以前の予測はパラメータ分離によって変わらず、未制限の微調整では14-29の因子によって分解される。 標準整合ランダム化ライブラリ制御は、事前学習された計算の寄与がタスクとデータ構造に条件づけられていることを示している。 別個の分解は、フィールドレベルがノルムを支配している場合、空間的変動に対して、フルフィールド相対的なL2誤差が実質的に過小評価されることを示している。 タスク固有のオペレータは、5つの問題のうち3つについてより正確である。 これらの結果は、多タスクのカバレッジ、保存および事前訓練された再利用を、科学基盤モデルが異種界面にまたがる場合、独立してテストする必要がある別の特性として区別する。

関連論文リスト

• Structural Negative Transfer in Federated Graph Neural Networks: Diagnosis, Causal Investigation, and the Limits of Divergence-Aware Mitigation [0.0]
  フェデレーション平均化(Federated Averaging)は、参加者のデータが広範囲に類似している場合、ローカルモデルの平均化が1つの共有問題を解決する合理的な方法であると仮定する。 グラフニューラルネットワークでは,ラベルや特徴分布ではなく,構造自体でクライアントグラフが異なる。
  論文  参考訳（メタデータ） (2026-09-15T10:53:31Z)
• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Limits of Generative Pre-Training in Structured EMR Trajectories with Irregular Sampling [0.7537475180985093]
  ファンデーションモデルは、複雑なパターンやモチーフをキャプチャするために自動回帰事前トレーニングを使用して、広大なデータセットでトレーニングされたアーキテクチャを指す。 HIVおよび急性低血圧データセットの経時的ART(Sequence-to-Sequence LSTM)とTransformer(reduced Transformer)の2つの自己回帰モデル(Sequence-to-Sequence LSTM)をトレーニングした。 ランダムな視線間ギャップを介してトレーニング中に制御された不規則性が追加されたが、テストシーケンスは完了しなかった。 どちらも特徴分布を再現したが、クロスフィーチャー構造を保存できなかった。
  論文  参考訳（メタデータ） (2025-10-27T00:04:17Z)
• Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence [0.44241702149260353]
  ベータ平面上での準破壊乱流の超解像と推定に4つの生成拡散モデリング手法を適用した。 そこで本研究では, 渦流と異方性噴流の乱流, レイノルズ数103, 104, および4x粗解場と粗度, 粗度, 粗度, 粗度, 間隙の2つの試験例について検討した。 SDEditは非物理的フィールドを生成するのに対し、DPSは計算コストが低いがスムーズな微細な特徴を持つ合理的な再構成を生成する。
  論文  参考訳（メタデータ） (2025-07-01T12:59:10Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Generative adversarial wavelet neural operator: Application to fault detection and isolation of multivariate time series data [3.265784083548797]
  本稿では,障害検出と分離のための新しい教師なし深層学習手法として,GAWNO(Generative Adversarial Wavelet Neural operator)を提案する。 最初の段階では、GAWNOは通常の運用条件のデータセットに基づいてトレーニングされ、基礎となるデータ分布を学習する。 第2段階では, 差分値に基づいて故障を検出し, 分離するために, 再構成誤差に基づくしきい値法を用いる。
  論文  参考訳（メタデータ） (2024-01-08T16:36:47Z)
• From Fake to Real: Pretraining on Balanced Synthetic Images to Prevent Spurious Correlations in Image Recognition [64.59093444558549]
  我々はFrom Fake to Realと呼ぶシンプルで簡単に実装できる2段階のトレーニングパイプラインを提案する。 実データと合成データを別々にトレーニングすることで、FFRは実データと合成データの統計的差異にモデルを公開しない。 実験の結果,FFRは3つのデータセットに対して,最先端のグループ精度を最大20%向上させることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T19:52:28Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• NestedVAE: Isolating Common Factors via Weak Supervision [45.366986365879505]
  我々は、バイアス低減の課題と、ドメイン間で共通する分離要因の関係を同定する。 共通因子を分離するために、潜伏変数モデルの理論と情報ボトルネック理論を組み合わせる。 共有重みを持つ2つの外部VAEは入力を再構成し、潜伏空間を推論し、一方、ネストされたVAEはペア化された画像の潜伏表現から1つの画像の潜伏表現を再構成しようとする。
  論文  参考訳（メタデータ） (2020-02-26T15:49:57Z)

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。