論文の概要: Inferring physical fields in coupled systems with unknown parameters from incomplete observations using physics-constrained attentive neural operators

• arxiv url: http://arxiv.org/abs/2610.05723v1
• Date: Mon, 05 Oct 2026 03:13:59 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:53:42.449263
• Title: Inferring physical fields in coupled systems with unknown parameters from incomplete observations using physics-constrained attentive neural operators
• Title（参考訳）: 不完全観測から未知パラメータを持つ結合系における物理場の推定
• Abstract要約: 結合系における1つの物理場の不完全測定を考えると、その完全な物理状態を推測し、基礎となるパラメータを特定できるだろうか? 本研究では,未知の物理系の全フィールド再構成とパラメータ同定のための機械学習フレームワークを提案する。 提案手法は,2次元および3次元の蓋駆動キャビティ流,2次元のシリンダー流,および2次元の非理想的磁気流体力学問題に対して検証された。
• 参考スコア（独自算出の注目度）: 5.980696227664816
• License:
• Abstract: Given incomplete measurements of a single physical field in a coupled system with unknown parameters, can we infer its full physical state and identify the underlying parameters? This problem is challenging because multiple coupled fields must be reconstructed simultaneously from limited observations of only one, while the system parameters are unknown. In this work, we propose a machine learning framework for full-field reconstruction and parameter identification of unknown physical systems from sparse observations of a single physical field. Specifically, the cross-attention encoder propagates sparse sensor observations onto a regular grid to construct a sensor-conditioned latent representation, while a Fourier neural operator (FNO) decoder captures global spatial dependencies to reconstruct all coupled physical fields. The network parameters and unknown physical parameters are jointly optimized by minimizing observation losses, governing equation residuals, and boundary/initial condition constraints. The proposed approach is validated on two- and three-dimensional lid-driven cavity flows, a two-dimensional cylinder wake, and a two-dimensional non-ideal magnetohydrodynamics problem, demonstrating the recovery performance of unobserved fields and physical parameters from incomplete observations.
• Abstract（参考訳）: 未知のパラメータを持つ結合系における1つの物理場の不完全測定を考えると、その完全な物理状態を推測し、基礎となるパラメータを特定できるだろうか? この問題は、システムパラメータが未知であるのに対して、1つの限られた観測から複数の結合フィールドを同時に再構築する必要があるため、難しい。 本研究では,1つの物理場のスパース観測から未知の物理系のフルフィールド再構成とパラメータ同定を行う機械学習フレームワークを提案する。 具体的には、クロスアテンションエンコーダは、スパースセンサ観測を正規の格子上に伝播して、センサ条件の潜在表現を構築する一方、フーリエニューラル演算子(FNO)デコーダは、グローバル空間依存性をキャプチャして、結合されたすべての物理的フィールドを再構成する。 ネットワークパラメータと未知の物理パラメータは、観測損失を最小限に抑え、方程式残差を規制し、境界条件と初期条件の制約を最小化することにより、共同最適化される。 提案手法は,2次元および3次元の蓋駆動キャビティ流,2次元のシリンダ流,および2次元の非理想的磁気流体力学問題に対して検証し,不完全な観測から観測された未観測領域と物理パラメータの回復性能を実証した。

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)
• Physics from Video: Identifiability of Time-Invariant Second-Order ODEs under Minimal Trajectory Conditions [60.2784641643737]
  ビジュアルリアリズムと物理的な理解のギャップを埋めることは、ビデオベースの世界モデルにとって重要な課題である。 原画素からの連続時間物理法則の構造識別可能性について検討した。 レベルセットの傾斜被覆条件は、学習された潜伏空間が真の物理的状態に局所的に親和的であることを証明する。
  論文  参考訳（メタデータ） (2026-05-27T13:22:29Z)
• Learning partially observed systems with neural Hamiltonian ordinary differential equations [41.99844472131922]
  データから部分的に観察された力学系を学習するために、ニューラルハミルトニアン常微分方程式(NHODE)を提案する。 このフレームワークは、線形および非線形な質量ばね系からカオス的な3体問題に至るまで、複雑さが増すシステムで評価される。
  論文  参考訳（メタデータ） (2026-05-22T11:18:39Z)
• Constitutive parameterized deep energy method for solid mechanics problems with random material parameters [0.24554686192257416]
  Constitutive aware Deep Energy Method (CPDEM) は純粋に物理駆動のフレームワークである。 従来の空間的コロケーションポイントをパラメータ対応材料に変換する。 未知の物質パラメータに対する変位場をゼロショットでリアルタイムに推定できる。
  論文  参考訳（メタデータ） (2026-03-27T02:59:32Z)
• Factorized Neural Implicit DMD for Parametric Dynamics [18.464219890452092]
  物理的システムの時間的進化をモデル化するための,データ駆動型モデルフリーアプローチを提案する。 従来の数値解法は計算コストが高く、リアルタイム解析や制御に不適である。 本研究では, 複雑な時間現象を正確に予測する能力を示すとともに, 様々な力学問題に対する本手法の有効性を示す。
  論文  参考訳（メタデータ） (2026-03-11T17:20:34Z)
• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。 Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• Parameter Identification for Partial Differential Equations with Spatiotemporal Varying Coefficients [5.373009527854677]
  種々の偏微分方程式によって制御される多状態系のパラメータ同定を容易にする枠組みを提案する。 我々のフレームワークは、制約付き自己適応型ニューラルネットワークと、サブネットワーク物理インフォームドニューラルネットワークの2つの統合コンポーネントで構成されている。 我々は,時間変化パラメータを持つ1次元バーガースの場合と空間変化パラメータを持つ2次元波動方程式の2つの数値ケースにおいて,本フレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2023-06-30T07:17:19Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• NeuralSI: Structural Parameter Identification in Nonlinear Dynamical Systems [9.77270939559057]
  本稿では,構造同定のための新しいフレームワークであるNeuralSIについて検討する。 提案手法は, 制御方程式から非線形パラメータを推定することを目的とする。 トレーニングされたモデルは、標準条件と極端な条件の両方で外挿することもできる。
  論文  参考訳（メタデータ） (2022-08-26T16:32:51Z)

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。