論文の概要: Do Better Scores Mean Better Physics? Physics-Grounded Explanations for Sim2Real Neural Operators

• arxiv url: http://arxiv.org/abs/2610.00415v1
• Date: Wed, 30 Sep 2026 14:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.64984
• Title: Do Better Scores Mean Better Physics? Physics-Grounded Explanations for Sim2Real Neural Operators
• Title（参考訳）: より良いスコアは物理学より優れているか? Sim2Real Neural Operatorのための物理を取り巻く説明
• Abstract要約: 機械学習は、物理シミュレーションを加速するが、予測誤差の低いものは、物理的に関連する流れ統計の低い誤差と一致しない。 計算流体力学シミュレーションと実験粒子・画像・速度測定によるNACA4418翼まわりの流れに関する考察を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learning surrogates accelerate physical simulation, but lower prediction error need not coincide with lower error in physically relevant flow statistics. We examine this question for flow around a NACA4418 airfoil using paired computational-fluid-dynamics simulations and experimental particle-image-velocimetry measurements. A mean-preserving input intervention removes velocity fluctuations from selected regions of observed flow histories. Across four neural operators, removing fluctuations from the most energetic 10% of valid observed cells changes forecasts more than equal-area random removal. Because the masks are not matched for removed fluctuation energy, this contrast measures sensitivity, not independent evidence of physical importance. Separately, a CNO has lower velocity-field error but substantially higher two-component fluctuation-energy error than the reference on both analysis subsets. An output attenuation stress test also demonstrates disagreement between benchmark errors and domain-summed fluctuation energy. These single-benchmark results motivate reporting complementary physical diagnostics alongside aggregate prediction scores; they do not establish counterfactual physical correctness.
• Abstract（参考訳）: 機械学習は、物理シミュレーションを加速するが、予測誤差の低いものは、物理的に関連する流れ統計の低い誤差と一致しない。 計算流体力学シミュレーションと実験粒子・画像・速度測定によるNACA4418翼まわりの流れに関する考察を行った。 平均保存入力介入は、観測された流れ履歴の選ばれた領域から速度変動を除去する。 4つのニューラル演算子にまたがって、有効な観察細胞のうち最もエネルギー的な10%のゆらぎを除去することで、等面積ランダム除去以上の予測が変化する。 マスクは除去されたゆらぎエネルギーと一致しないため、このコントラストは感度を測定し、物理的重要性の独立した証拠ではない。 別として、CNOは速度場誤差が低いが、両方の解析サブセットの基準よりも2成分ゆらぎエネルギー誤差がかなり高い。 出力減衰応力試験はまた、ベンチマークエラーとドメイン推定変動エネルギーの相違を示す。 これらの単一ベンチマークの結果は、集計予測スコアと相補的な物理診断の報告を動機付けている。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Toward Reliable Railway-Bogie Response Prediction Using Multifidelity TDNN and Physics-Informed Residual Learning [9.679297769625286]
  鉄道技術者は、徹底的にテストできない運用シナリオにまたがる車両の応答を予測するシミュレーションモデルを必要としている。 本稿では,多体シミュレーション履歴を低忠実度情報として扱い,ローラーリグ測定を高忠実度証拠として扱う多忠実鉄道ボギー応答補正法を提案する。
  論文  参考訳（メタデータ） (2026-09-10T07:56:53Z)
• Proprio: Latent Self-Scoring and Inference-Time Refinement for Physically Plausible Video Generation [78.41956766048308]
  Proprioは、凍結したジェネレータが自身の出力の物理的妥当性を評価し改善することを可能にする、トレーニング不要のフレームワークである。 自己運動の生物学的感覚であるプロプリセプションにインスパイアされたプロプリオは、モデルの流れを自己刺激信号として扱う。 Proprioは、テキスト・ツー・ビデオ・ベンチマークと画像・ツー・ビデオ・ベンチマークの物理的妥当性を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-27T09:44:18Z)
• Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
  本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T05:59:54Z)
• Learning Smooth and Expressive Interatomic Potentials for Physical Property Prediction [3.3974034548879213]
  本稿では,分子動力学シミュレーションにおけるエネルギー保存の実践的能力に基づいて,機械学習の原子間ポテンシャルをテストすることを提案する。 我々は、このテストに失敗したモデルにつながる可能性のある選択を特定し、これらの観察を使用して高表現率モデルを改善する。 結果のモデルであるeSENは、様々な物理的特性予測タスクに関する最先端の結果を提供する。
  論文  参考訳（メタデータ） (2025-02-17T18:57:32Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。