論文の概要: SPLICE: Sparse Physics Library Identification and Compositional Expansion

• arxiv url: http://arxiv.org/abs/2610.17029v1
• Date: Mon, 12 Oct 2026 16:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.405573
• Title: SPLICE: Sparse Physics Library Identification and Compositional Expansion
• Title（参考訳）: SPLICE:スパース物理図書館の同定と構成展開
• Abstract要約: SPLICEは、混合データ上のメカニズムラベルなしで演算子を検出するフレームワークである。 1次元と2次元のシステム全体で、発見された作用素はラベルのない混合物から機構を回復し、目に見えない方程式のゼロショットシミュレータを構成する。 Navier-Stokesでは、発見された演算子は教師付き演算子と同じくらい正確に構成する。
• 参考スコア（独自算出の注目度）: 1.034052616244602
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Neural operator splitting composes a library of neural operators, one per physical mechanism, into zero-shot simulators of new equations. Existing approaches, however, require these mechanisms and their labels to be specified in advance. We ask whether a pretrained library can instead be adapted and grown from unlabeled trajectories in which multiple mechanisms act simultaneously. We introduce SPLICE, a framework that discovers operators without mechanism labels on mixture data. The contributions of the candidate operators to each trajectory are inferred by solving a convex optimization problem. A calibrated test then assigns each discovered operator the mechanism it implements. Failure cases are also detectable, when the library lacks the required physics or when mechanisms are insufficiently separable. Across one and two dimensional systems, the discovered operators recover mechanisms from unlabeled mixtures and compose into zero-shot simulators of unseen equations; a frozen library can also grow an operator for physics absent from pretraining, without labels and without forgetting. On Navier-Stokes, the discovered operators compose about as accurately as their supervised counterparts.
• Abstract（参考訳）: ニューラル演算子分割は、物理機構ごとに1つのニューラル演算子のライブラリを、新しい方程式のゼロショットシミュレータに構成する。 しかし、既存のアプローチでは、これらのメカニズムとラベルを事前に指定する必要がある。 事前に訓練されたライブラリを、複数のメカニズムが同時に作用するラベルのないトラジェクトリから適応・成長できるかどうかを問う。 SPLICEは,混合データ上の機構ラベルを使わずに演算子を検出するフレームワークである。 各軌道に対する候補作用素の寄与は凸最適化問題を解くことによって推測される。 キャリブレーションされたテストは、各発見されたオペレーターに実装するメカニズムを割り当てる。 ライブラリが必要な物理を欠いている場合、あるいはメカニズムが十分に分離できない場合、障害ケースも検出できる。 1次元と2次元のシステム全体で、発見された演算子はラベルのない混合物から機構を回復し、目に見えない方程式のゼロショットシミュレータに構成する。 Navier-Stokesでは、発見された演算子は教師付き演算子と同じくらい正確に構成する。

関連論文リスト

• Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
  本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。 核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
  論文  参考訳（メタデータ） (2026-09-02T13:15:50Z)
• Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
  機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。 スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
  論文  参考訳（メタデータ） (2026-08-10T19:42:01Z)
• Neural operator discovery from heterogeneous trajectories [3.174604660846279]
  ニューラル演算子と低次元潜在表現を共同で学習する因子化潜在条件定式化を導入する。 多様なシステムにまたがって、学習された潜在表現はシステム変動の本質的な次元を捉えている。 その結果、明示的な因子監督がなければ、演算子学習の解釈可能なパラダイムが確立される。
  論文  参考訳（メタデータ） (2026-07-25T19:20:25Z)
• Graph Transfer Learning via Shared Latent Geometry: Theory and Applications [12.735610064958712]
  工学的な物理システムにおける推論と制御は、展開において重い物理コストを支払う。 両問題を解決する非対称な双方向アーキテクチャを提案する。 教師エンコーダは、高忠実度シミュレータから特権化された高密度状態を消費し、スペクトル摂動下で安定な演算子-ポリノミカル特徴を通してシステムを表現する。 学生エンコーダは、スパースフィールドデータと演算子記述子から同じ潜時幾何学を学習する。
  論文  参考訳（メタデータ） (2026-05-30T13:00:13Z)
• Debiased neural operators for estimating functionals [55.79111577184338]
  本稿では,ニューラル演算子から得られる解軌跡の定量化のための半値推定器であるDOPEを紹介する。 DOPEとは対照的に、単純なプラグイン推定は1次バイアスに悩まされる可能性がある。 そこで我々は, ニューラル作用素を関数空間間の高次元ニュアンスマッピングとして扱う新しい一段階, ニーマン直交推定器を導出した。
  論文  参考訳（メタデータ） (2026-04-21T10:02:36Z)
• Method of Manufactured Learning for Solver-free Training of Neural Operators [0.24554686192257422]
  Method of Manufactured Learning (MML)は、ニューラル演算子を訓練するためのソルバに依存しないフレームワークである。 MLは古典的な製造法にインスパイアされ、数値データ生成を関数合成に置き換える。 MMLは高いスペクトル精度、低い残差誤差、そして目に見えない条件への強い一般化を実現する。
  論文  参考訳（メタデータ） (2025-11-17T02:24:19Z)
• BlinDNO: A Distributional Neural Operator for Dynamical System Reconstruction from Time-Label-Free data [6.810595986800653]
  時間ラベルのない環境で量子力学系の逆問題について検討する。 マルチスケールなU-Netエンコーダとアテンションベースのミキサーを統合した置換不変アーキテクチャであるBlinDNOを提案する。
  論文  参考訳（メタデータ） (2025-11-15T18:15:37Z)
• (How) Do Language Models Track State? [52.03388573068501]
  トランスフォーマー言語モデル(LM)は、進化する世界の未観測状態を追跡する必要があるように見える振る舞いを示す。 順列を構成するために訓練された、あるいは微調整されたLMにおける状態追跡について検討した。 LMは2つの状態追跡機構のうちの1つを一貫して学習していることを示す。
  論文  参考訳（メタデータ） (2025-03-04T18:31:02Z)
• Physics-Informed Neural Operators [3.9181541460605116]
  ニューラルネットワークは一般非線形作用素を近似することができ、例えば、対流拡散反応偏微分方程式における数学的作用素の組合せによって明示的に表される。 最初の神経オペレータは、厳密な近似理論に基づいて2019年に提案されたDeepオペレータネットワーク(DeepONet)である。 ブラックボックスシステムでは、ニューラル演算子のトレーニングはデータ駆動であるが、支配方程式が分かっていれば、物理インフォームド・ニューラル演算子を開発するトレーニング中に損失関数に組み込むことができる。
  論文  参考訳（メタデータ） (2022-07-08T12:29:09Z)
• 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)

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。