論文の概要: Physics is the Best Teacher: Consistency Learning for Time-Invariant Operators of Chaotic Dynamics

• arxiv url: http://arxiv.org/abs/2610.04108v1
• Date: Fri, 02 Oct 2026 22:27:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 20:09:59.72547
• Title: Physics is the Best Teacher: Consistency Learning for Time-Invariant Operators of Chaotic Dynamics
• Title（参考訳）: 物理は最高の教師である:カオスダイナミクスの時間不変演算子のための一貫性学習
• Abstract要約: システムの時間不変進化演算子を学習する手法を開発した。 物理蒸留された整合性は、短期軌跡と長期統計をより正確にする。 学習者は時間外挿を継続し、自動回帰ロールアウトのような多くの評価を必要とする。
• 参考スコア（独自算出の注目度）: 68.73738609860875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accelerating the prediction of long-term behavior in chaotic systems is crucial in scientific computing. However, existing methods rely on numerical solvers or autoregressive models that advance one small step at a time, which makes long horizons expensive. We instead view this problem as learning the system's time-invariant evolution operator, which jumps the state across a large time span in a single evaluation. To this end, we derive the consistency equations a time-invariant operator must satisfy, with differential and compositional objectives in physical time. These equations also connect the learned operator to the physics-prescribed instant dynamics, enabling physics embedding in consistency learning. Across five chaotic systems, we find that physics-distilled consistency makes both short-term trajectories and long-term statistics more accurate. The learned operator survives temporal extrapolation and requires one-tenth as many evaluations as autoregressive rollout, offering an efficient route to long-term simulation of chaotic dynamics.
• Abstract（参考訳）: カオスシステムにおける長期的行動の予測の加速は、科学計算において不可欠である。 しかし、既存の手法は1つの小さなステップを同時に進める数値解法や自己回帰モデルに依存しており、長い地平線は高価である。 代わりに、この問題をシステムの時間不変進化演算子を学習し、単一の評価で大きな時間にわたって状態をジャンプする、と考えている。 この目的のために、時間不変作用素が満たさなければならない整合方程式を、物理時間における微分的および構成的目的とともに導出する。 これらの方程式はまた、学習した演算子を物理学で規定されたインスタントダイナミクスに結び付け、一貫性学習に物理を埋め込むことができる。 5つのカオスシステム全体で、物理学で蒸留された一貫性は、短期軌跡と長期統計の両方をより正確にする。 学習者は時間外挿を継続し、カオス力学の長期シミュレーションへの効率的な経路を提供する自動回帰ロールアウトとして、多くの評価を必要とする。

関連論文リスト

• Non-intrusive Learning of Physics-Informed Spatio-temporal Surrogate for Accelerating Design [0.0]
  物理インフォームド・テンポラル・サロゲート・モデリング(PITM)フレームワークを提案する。 我々は,シリンダーまわりの2次元非可換流れという,関心のボトルネックに関する枠組みを評価する。
  論文  参考訳（メタデータ） (2026-04-15T21:13:05Z)
• Stable spectral neural operator for learning stiff PDE systems from limited data [12.62991453201434]
  我々は、方程式のない学習フレームワーク、すなわち、安定スペクトルニューラル演算子(SSNO)を導入する。 SSNOはそのアーキテクチャにスペクトルにインスパイアされた構造を組み込み、基礎となる物理学を学ぶための強い誘導バイアスをもたらす。 予測誤差は、先行モデルよりも1～2桁低い。
  論文  参考訳（メタデータ） (2025-12-12T16:09:38Z)
• Physics-Informed Neural Controlled Differential Equations for Scalable Long Horizon Multi-Agent Motion Forecasting [3.795837769531959]
  複数の自律ロボットの長距離移動予測は、非線形エージェント相互作用のため困難である。 長軸運動予測のためのニューラル制御微分方程式(CDE)に基づくモデルを構築した。 PINCoDEは将来の目標に設定されており、長い期間にわたってロボットの動きに関する物理学的な制約を課している。
  論文  参考訳（メタデータ） (2025-10-01T01:27:07Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• Learning effective dynamics from data-driven stochastic systems [2.4578723416255754]
  この研究は、低速力学系に対する効果的な力学の研究に費やされている。 遅い多様体を学習するために,Auto-SDEと呼ばれるニューラルネットワークを含む新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-09T09:56:58Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Time-Reversal Symmetric ODE Network [138.02741983098454]
  時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。 本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。 時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-22T12:19:40Z)
• 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。