論文の概要: Generative Modeling of Stochastic Dynamics for Long-Time Evolution
- arxiv url: http://arxiv.org/abs/2610.00546v1
- Date: Wed, 30 Sep 2026 18:26:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.696728
- Title: Generative Modeling of Stochastic Dynamics for Long-Time Evolution
- Title（参考訳）: 長期進化のための確率力学の生成モデル
- Abstract要約: 本研究は, 短時間の時間ラグにおいて, 構成ペアから力学の長期的進化を予測できることを示す。
周期的光電位における駆動コロイドの場合、測定された軌道の10分は粒子電流と平均通過時間を予測するのに十分である。
- 参考スコア（独自算出の注目度）: 3.7937124751906914
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Exact stochastic equations for non-equilibrium dynamics are rarely accessible. We show that the long-time evolution of stochastic dynamics can be predicted from configuration pairs at a fixed short time lag, without knowledge of the equation of motion. Generative diffusion models learn the finite-time transition kernel from these pairs, and iterating it propagates the dynamics far beyond the training lag. For two-dimensional Model B, the diffusive dynamics of a conserved order parameter, the learned kernels reproduce dynamic critical scaling and self-similar $t^{1/3}$ coarsening. Agreement with direct simulations persists on lattices twice the largest training size and for initial ensembles absent from training. For driven colloids in a periodic optical potential, ten minutes of measured trajectories suffice to predict the particle current and mean passage time over the next twenty minutes within experimental uncertainty. Short-time observations thus contain the information needed to predict emergent non-equilibrium dynamics at much longer times.
- Abstract（参考訳）: 非平衡力学に対する特別な確率方程式はめったにアクセスできない。
確率力学の長期的進化は、運動方程式を知らずに、一定の短時間のラグで構成対から予測できることを示す。
生成拡散モデルはこれらのペアから有限時間遷移核を学習し、それを反復することで、トレーニングラグをはるかに超越したダイナミクスを伝播する。
2次元モデルBの場合、保存された順序パラメータの拡散力学は、学習されたカーネルが動的臨界スケーリングと自己類似の$t^{1/3}$粗大化を再現する。
直接シミュレーションとの合意は、最大2倍のトレーニングサイズと、トレーニングを欠いた最初のアンサンブルに対して持続する。
周期的光学ポテンシャルにおける駆動コロイドの場合、測定された軌道の10分は、実験の不確実性の中で、粒子電流と平均通過時間を予測するのに十分である。
したがって、短時間の観測は、より長い時間で創発的非平衡ダイナミクスを予測するのに必要な情報を含んでいる。
関連論文リスト
- Dynamics of Stochastic Momentum with Sparse Updates in High Dimensions [5.674162165646654]
既存の運動量理論は、勾配がほぼ一定の速度で全てのパラメータに到達すると仮定する。
スパース更新下での2つの運動量モデルの運動力学を理論的に解析する。
論文 参考訳（メタデータ） (2026-05-27T18:06:41Z) - KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。
固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文 参考訳（メタデータ） (2026-02-15T06:32:23Z) - Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。
形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。
均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。
TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
論文 参考訳（メタデータ） (2026-02-10T14:13:36Z) - Diffusion Models are Molecular Dynamics Simulators [0.0]
バッチ次元に逐次バイアスを付与したデノナイズ拡散サンプリング器が,ランゲヴィン力学を過度に破壊するオイラー・丸山積分器であることを証明した。
各逆消音ステップは、その関連するばね剛性を伴って、ノイズスケジュールとその剛性とで協調して設定された有効時間ステップを有する微分方程式の一段階と解釈することができる。
学習したスコアは、学習したエネルギーの勾配の役割を担い、拡散サンプリングとランゲヴィン時間進化の正確な対応を与える。
論文 参考訳（メタデータ） (2025-11-21T19:48:32Z) - Identifiable learning of dissipative dynamics [25.409059056398124]
I-OnsagerNetは、散逸ダイナミクスを直接トラジェクトリから学習するニューラルネットワークフレームワークである。
I-OnsagerNetはOnsagerの原理を拡張して、学習されたポテンシャルが定常密度から得られることを保証している。
このアプローチはエントロピーの生成を計算し、不可逆性を定量化し、平衡から逸脱を検出し定量化する原則的な方法を提供する。
論文 参考訳（メタデータ） (2025-10-28T07:57:14Z) - Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models [6.403678133359229]
高次元記録における潜伏力学は、しばしばより小さな有効変数の集合によって特徴づけられる。
ほとんどの機械学習アプローチは、動的一貫性を強制するモデルとともにオートエンコーダをトレーニングすることで、これらのタスクに共同で取り組む。
我々は最近導入されたファンデーション推論モデル(FIM)を利用して2つの問題を分離することを提案する。
半円拡散を合成ビデオデータに埋め込んだ二重井戸系における概念実証は、高速で再利用可能な粗粒化パイプラインに対するこのアプローチの可能性を示している。
論文 参考訳（メタデータ） (2025-10-14T15:17:23Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - Entanglement and correlations in fast collective neutrino flavor
oscillations [68.8204255655161]
集合ニュートリノ振動は、天体物理学的な設定においてレプトンのフレーバーを輸送する上で重要な役割を担っている。
高速振動を呈する単純多角ジオメトリーにおける平衡外フレーバーのフルダイナミクスについて検討した。
我々はこれらの高速集団モードが同じ動的相転移によって生成されることを示す。
論文 参考訳（メタデータ） (2022-03-05T17:00:06Z) - Learning non-stationary Langevin dynamics from stochastic observations
of latent trajectories [0.0]
データからランゲヴィン方程式を推定すると、そのような系の過渡的力学がそれらの函数をいかに引き起こすかが明らかになる。
本稿では,観測過程と非定常潜時力学を明示的にモデル化したランジュバン方程式を推定する非定常枠組みを提案する。
これらの非定常コンポーネントのいずれかを省略すると、不定常データ分布によるダイナミクスに誤った特徴が生じる誤った推論が発生します。
論文 参考訳（メタデータ） (2020-12-29T21:22:21Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。