論文の概要: Sim+Real: Joint Simulation - Experiment Training Improves Balanced Prediction in Physical Systems

• arxiv url: http://arxiv.org/abs/2610.01974v1
• Date: Thu, 01 Oct 2026 16:22:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.276335
• Title: Sim+Real: Joint Simulation - Experiment Training Improves Balanced Prediction in Physical Systems
• Title（参考訳）: Sim+Real:ジョイントシミュレーション-物理系のバランス予測を改善する実験
• Abstract要約: 実験的な測定は、物理システムを学ぶための補完的なデータを提供する。 標準的なシミュレーション・ツー・実験ファインチューニングはシミュレーション性能を低下させる。 ジョイントトレーニングは、幅広いシミュレーション、実験評価重み付けに対して、常に最高のバランスの取れた性能を達成する。
• 参考スコア（独自算出の注目度）: 38.47454794126304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation and experimental measurements provide complementary data for learning spatiotemporal physical systems, but standard simulation-to-experiment fine-tuning optimizes only the experimental objective after transfer and can degrade simulation performance. We formulate simulation--experiment prediction as a multi-objective learning problem with domain-specific simulation and experimental risks. On four fluid systems from RealPDEBench and two model capacities, we compare Simulation only, Experiment only, Sim$\rightarrow$Exp, and Joint training, evaluating every final model on both held-out domains. Sim$\rightarrow$Exp tends to specialize more strongly to experimental data at the cost of simulation-domain forgetting. Joint training consistently achieves the best balanced performance over a broad range of simulation--experiment evaluation weightings, while substantially improving simulation retention over Sim$\rightarrow$Exp. Joint also better preserves simulation-only fields absent from experimental measurements. Project page: https://mahindrautela.github.io/morph.
• Abstract（参考訳）: シミュレーションと実験的測定は時空間物理系を学習するための相補的なデータを提供するが、標準的なシミュレーションと実験の微調整は転送後の実験目的のみを最適化し、シミュレーション性能を劣化させる。 ドメイン固有シミュレーションと実験リスクを用いた多目的学習問題として,シミュレーション-実験予測を定式化する。 RealPDEBenchと2つのモデル容量の4つの流体系について、シミュレーションのみ、実験のみ、Sim$\rightarrow$Exp、ジョイントトレーニングを比較し、両方の保持領域における最終モデルを評価する。 Sim$\rightarrow$Expは、シミュレーションドメインを忘れるコストで実験データに強く依存する傾向にある。 ジョイントトレーニングは、Sim$\rightarrow$Exp上でのシミュレーション保持を大幅に改善しつつ、広範囲のシミュレーション-実験評価重み付けで最高のバランス性能を継続的に達成する。 ジョイントはまた、実験的な測定から欠落したシミュレーション専用フィールドをよりよく保存する。 プロジェクトページ: https://mahindrautela.github.io/morph

関連論文リスト

• Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
  科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
  論文  参考訳（メタデータ） (2026-04-01T17:21:33Z)
• Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling [9.084754731100311]
  本稿では,解析的定式化とグラフニューラルネットワーク(GNN)に基づくモデルの表現能力を組み合わせた,数発のリアルタイム・シミュレーション手法を提案する。 本手法は,少数の実世界のデータのみを用いて解析シミュレータを校正し,多様な接触相互作用を捉えた大規模合成データセットを生成する。 実験により,本手法は実世界の軌道を再現する上で,学習ベースシミュレータの差分ベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-06T12:32:56Z)
• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• Transfer learning for multifidelity simulation-based inference in cosmology [0.0]
  ダークマターのみのN$-bodyシミュレーションの事前トレーニングは、高忠実度流体力学シミュレーションの必要な回数を8ドルから15ドルに削減する。 より安価なシミュレーションを活用することで,計算コストを大幅に削減しつつ,高忠実度モデルの性能と高精度な推論を可能にする。
  論文  参考訳（メタデータ） (2025-05-27T14:04:30Z)
• MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
  先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。 我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。 我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
  論文  参考訳（メタデータ） (2025-05-23T13:24:50Z)
• BeSimulator: A Large Language Model Powered Text-based Behavior Simulator [18.318419980796012]
  本研究では,BeSimulatorをテキストベースの環境下での動作シミュレーションの試みとして提案する。 BeSimulatorはシナリオを一般化し、長距離複素シミュレーションを実現する。 本実験は, ベースラインに比べ, 挙動シミュレーションにおいて顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2024-09-24T08:37:04Z)
• Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data [0.0]
  研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。 より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。 本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
  論文  参考訳（メタデータ） (2021-03-19T02:00:14Z)

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。