論文の概要: Action Learning for Scientific Simulations
- arxiv url: http://arxiv.org/abs/2610.31585v1
- Date: Thu, 22 Oct 2026 17:22:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.494951
- Title: Action Learning for Scientific Simulations
- Title（参考訳）: 科学シミュレーションのためのアクションラーニング
- Abstract要約: 私たちは$textbfLEAP$$textbfL$earned $textbfE$nergy on $textbfA$ction $textbfP$aths)を導入します。
LEAPは、基礎となるダイナミクスを回復し、時間にわたって依存関係をキャプチャし、推論対象と物理的条件間の転送を可能にする。
- 参考スコア（独自算出の注目度）: 61.29273221991081
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and controlling how systems evolve is central to science and engineering, where many problems require reasoning about complete trajectories. Existing approaches typically learn local dynamics or generate trajectories, but objectives constructed from individual transitions can miss dependencies across time, while generative models do not necessarily provide a tractable objective for evaluating and optimizing arbitrary paths. We study $\textit{action learning}$, the problem of recovering a stochastic action from trajectory observations, yielding a common objective for reasoning about dynamical systems. We introduce $\textbf{LEAP}$ ($\textbf{L}$earned $\textbf{E}$nergy on $\textbf{A}$ction $\textbf{P}$aths), which anchors the unknown action to a tractable reference process and learns the remaining correction by comparing observed trajectories with reference trajectories. This construction yields a differentiable objective on path space that can capture both local dynamical structure and nonadditive dependencies across time. Once learned, the same action can be flexibly reused for path ranking and inference, mechanism steering, constrained optimization and sampling. Across stochastic physical systems, many-body orbital dynamics and molecular simulations, LEAP recovers underlying dynamics, captures dependencies across time and enables transfer across inference objectives and physical conditions. We show that $\textit{action learning}$ is a promising framework for turning trajectory observations into reusable objectives for scientific inference and control.
- Abstract（参考訳）: システムがどのように進化するかを理解し制御することは、多くの問題が完全な軌道についての推論を必要とする科学と工学の中心である。
既存のアプローチは通常、局所力学を学習するか、軌跡を生成するが、個々の遷移から構築された目的は、時間とともに依存を見逃す可能性がある。
我々は、軌跡観測から確率的行動を回復する問題である$\textit{action learning}$について研究し、力学系についての推論の共通の目的を導いた。
我々は、未知のアクションを抽出可能な参照プロセスにアンロックし、観測されたトラジェクトリと参照されたトラジェクトリを比較して残りの補正を学習する、$\textbf{LEAP}$$$$$$\textbf{L}$earned $\textbf{E}$nergy on $\textbf{A}$ction $\textbf{P}$athsを紹介した。
この構造は、局所的な動的構造と時間にわたって非加法的依存関係の両方をキャプチャできるパス空間において微分可能な目的をもたらす。
一度学習すると、同じアクションは、パスのランク付けと推論、メカニズムのステアリング、制約付き最適化、サンプリングのために柔軟に再利用できる。
確率的物理系、多体軌道力学、分子シミュレーションを通じて、LEAPは基礎となる力学を回復し、時間にわたって依存関係を捕捉し、推論対象と物理的条件間の移動を可能にする。
研究結果によると,$\textit{action learning}$は,軌道観測を科学的推論と制御のための再利用可能な目的に変換するための,有望なフレームワークである。
関連論文リスト
- DiffDreamer: Coupling World Models with Differentiable Simulation for Agile Quadrotor Control [13.83104993798738]
DiffDreamerは、アクター最適化のための微分可能なシミュレーションで学習された世界モデルを密結合する、微分可能な強化学習フレームワークである。
ある最適化ステップでは、学習された世界モデルは、外部ダイナミクスと履歴に依存した特徴をキャプチャする潜在状態を伝播し、識別可能なシミュレータはロボットの明示的な物理的状態を伝搬する。
積極的追跡と動的ゲートレースの実験から、DiffDreamerはモデルフリー、モデルベース、微分可能なRLベースラインに対するトレーニング収束を改善している。
論文 参考訳（メタデータ） (2026-10-22T17:41:13Z) - OATH: Object-Agnostic Tracking for Dexterous Hands, Enabling Rapid Physics-based Retargeting [3.447034846854598]
強化は、接触力学による計画と制御を達成するために使われてきた。
オブジェクト間のゼロショット一般化は構造化状態表現に依存していることを示す。
運動学的基準軌道のシミュレーションでこのポリシーをロールアウトすると、物理に基づく再ターゲッターOATHが得られる。
論文 参考訳（メタデータ） (2026-10-09T22:55:25Z) - TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。
TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。
TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文 参考訳（メタデータ） (2026-03-02T10:38:54Z) - IDSplat: Instance-Decomposed 3D Gaussian Splatting for Driving Scenes [25.939318593012484]
動的駆動シーンの再構築は、センサ・リアリスティック・シミュレーションによる自律システム開発に不可欠である。
我々は,動的シーンを明示的なインスタンス分解と学習可能なモーショントラジェクトリで再構成する,自己教師型3次元ガウススティングフレームワークIDSplatを提案する。
本手法は, インスタンスレベルの分解を維持しつつ, 競合する再構成品質を実現し, 再トレーニングを伴わずに, 多様なシーケンスやビュー密度を一般化する。
論文 参考訳（メタデータ） (2025-11-24T15:48:08Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - Continuous-Time SO(3) Forecasting with Savitzky--Golay Neural Controlled Differential Equations [51.510040541600176]
この研究は、$SO(3)$で連続時間回転オブジェクトの力学をモデル化することを提案する。
単純化された動作仮定に依存する既存の手法とは異なり、本手法は下層の物体軌道の一般的な潜在力学系を学習する。
実世界のデータに対する実験結果から、既存の手法と比較して魅力的な予測能力が示された。
論文 参考訳（メタデータ） (2025-06-07T12:41:50Z) - Tracking control of latent dynamic systems with application to spacecraft attitude control [0.0]
インテリジェントな宇宙船や宇宙ロボットが複雑な環境でタスクを行う場合、制御可能な変数は直接利用できない。
これらの観測の力学は非常に複雑であるが、それらの背後にあるメカニズムは単純かもしれない。
潜在力学系の制御には、強化学習に基づく手法は、サンプルの非効率性や一般化の問題に悩まされる。
論文 参考訳（メタデータ） (2024-12-09T09:49:15Z) - FLD: Fourier Latent Dynamics for Structured Motion Representation and
Learning [19.491968038335944]
本研究では,周期的・準周期的な動きの時空間関係を抽出する自己教師付き構造表現生成手法を提案する。
我々の研究は、一般的な動き表現と学習アルゴリズムの今後の進歩への新たな可能性を開く。
論文 参考訳（メタデータ） (2024-02-21T13:59:21Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z)
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。