Fugu-MT 論文翻訳(概要): Generative AI in Turbulence: Foundations, Applications, Validations and Benchmarks

論文の概要: Generative AI in Turbulence: Foundations, Applications, Validations and Benchmarks

arxiv url: http://arxiv.org/abs/2610.35123v1
Date: Mon, 26 Oct 2026 10:00:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.819432
Title: Generative AI in Turbulence: Foundations, Applications, Validations and Benchmarks
Title（参考訳）: 乱流における生成AI - 基礎、応用、検証、ベンチマーク
Abstract要約: 生成AIは、不完全な観測または未解決d.o.f.が複数の物理的に妥当な解を認める乱流問題に対する新しいアプローチを提供する。生成AIは、拡散モデル、スコアベース手法、および関連する確率-輸送の定式化に重点を置いて、新しい能力を提供するかを検討する。バリデーション、ベースライン、データ可用性、一貫性の潜在的な制限と、オープンデータ、標準化された課題、隠れテスト、物理対応メトリクス、ドキュメント化された障害を組み合わせたベンチマークエコシステムの必要性について論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative AI offers new approaches to turbulence problems in which incomplete observations or unresolved d.o.f. admit multiple physically plausible solutions. Potential applications include stochastic closures, super-resolution, data assimilation, uncertainty quantification, and the generation of Eulerian and Lagrangian flow ensembles. However, turbulence is not a conventional image-generation problem. Its multiscale dynamics, intermittency, extreme events, rough velocity fields and intrinsically stochastic transport make visual realism, pointwise error, and low-order spectral agreement insufficient measures of physical fidelity. We examine where generative AI provide novel capabilities with emphasis on diffusion models, score-based methods, and related probability-transport formulations. We discuss their use in unconditional generation, probabilistic reconstruction, reduced-order modeling, temporal evolution, and mesh-free representations. We argue that validation must address turbulence properties: energy transfer, structure functions, anomalous scaling, pdf tails, coherent structures, conservation laws, temporal consistency, ensemble diversity and generalization. Finally, we discuss potential limitations in validation, baseline, data availability and reproducibility, and the need for a benchmark ecosystem combining open data, standardized challenges, hidden tests, physics-aware metrics, and documented failures. This paper serves as a bridge between two communities. For AI practitioners, we provide a fair and accessible introduction to turbulence, essential for appreciating the challenges posed by the field and for assessing the physical relevance of generative models. For turbulent practitioners, we provide an introduction to the key technological aspects of Generative AI, clarifying what these tools actually do, and where their potential and current limitations lie.
Abstract（参考訳）: 生成AIは、不完全な観測または未解決d.o.f.が複数の物理的に妥当な解を認める乱流問題に対する新しいアプローチを提供する。潜在的な応用としては、確率的閉包、超解像、データ同化、不確実な定量化、ユーレリア流とラグランジュ流のアンサンブルの生成などがある。しかし、乱流は従来の画像生成問題ではない。マルチスケールの力学、断続性、極端な事象、荒い速度場、内在的に確率的な輸送は、視覚的リアリズム、ポイントワイド誤差、低次のスペクトル一致を物理的忠実性の不十分な測度とする。生成AIは、拡散モデル、スコアベース手法、および関連する確率-輸送の定式化に重点を置いて、新しい能力を提供するかを検討する。非条件生成、確率的再構成、低次モデリング、時間進化、メッシュフリー表現におけるそれらの使用について論じる。エネルギー伝達、構造関数、異常スケーリング、pdfテール、コヒーレント構造、保存則、時間的一貫性、アンサンブル多様性、一般化などである。最後に、バリデーション、ベースライン、データ可用性、再現性に関する潜在的な制限と、オープンデータ、標準化された課題、隠れテスト、物理対応メトリクス、ドキュメント化された障害を組み合わせたベンチマークエコシステムの必要性について論じる。本論文は,2つのコミュニティ間の橋渡しとして機能する。 AI実践者にとって、我々は乱流の公平かつアクセス可能な導入を提供し、フィールドがもたらす課題を評価し、生成モデルの物理的関連性を評価するのに不可欠である。乱暴な実践者に対しては、ジェネレーティブAIの重要な技術的側面を紹介し、これらのツールが実際に何をするのか、その可能性と現在の限界がどこにあるのかを明確にする。

関連論文リスト

Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
論文参考訳（メタデータ） (2026-03-16T17:20:38Z)
LeapFactual: Reliable Visual Counterfactual Explanation Using Conditional Flow Matching [8.220601095681355]
本稿では,条件付きフローマッチングに基づく新しい対実的説明アルゴリズム LeapFactualを提案する。 LeapFactualは、真実と学習された決定境界が分岐しても、信頼性が高く情報的な反ファクトを生成する。ヒューマン・イン・ザ・ループのシステムを扱うことができ、ヒューマン・アノテータの参加を必要とするドメインに対実的な説明の範囲を広げることができる。
論文参考訳（メタデータ） (2025-10-16T12:34:10Z)
On the Fairness, Diversity and Reliability of Text-to-Image Generative Models [68.62012304574012]
マルチモーダル生成モデルは信頼性公正性誤用の可能性について批判的な議論を巻き起こしました埋め込み空間におけるグローバルおよびローカルな摂動に対する応答を解析し、モデルの信頼性を評価するための評価フレームワークを提案する。提案手法は, 信頼できない, バイアス注入されたモデルを検出し, 組込みバイアスの証明をトレースするための基礎となる。
論文参考訳（メタデータ） (2024-11-21T09:46:55Z)
ImputeFormer: Low Rankness-Induced Transformers for Generalizable Spatiotemporal Imputation [43.684035409535696]
既存の計算ソリューションには、主に低ランクモデルとディープラーニングモデルが含まれる。強誘導バイアスと高時間モデル表現率の低ランク化によるバイアスバランスを示す。交通流,太陽エネルギー,スマートメーター,空気品質など,異種データセットの精度,効率,汎用性において,その優位性を示す。
論文参考訳（メタデータ） (2023-12-04T08:35:31Z)
Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation [13.278744447861289]
本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
論文参考訳（メタデータ） (2023-11-14T04:08:14Z)
ACQUIRED: A Dataset for Answering Counterfactual Questions In Real-Life Videos [53.92440577914417]
ACQUIREDは3.9Kの注釈付きビデオで構成され、幅広いイベントタイプを包含し、ファーストパーソンとサードパーソンの両方の視点を取り入れている。各ビデオは、物理的、社会的、時間的な3つの異なる推論の次元にまたがる質問で注釈付けされている。我々は,現在最先端の言語のみおよびマルチモーダルモデルに対して,我々のデータセットをベンチマークし,実験結果から大きな性能差が示された。
論文参考訳（メタデータ） (2023-11-02T22:17:03Z)
Principled Knowledge Extrapolation with GANs [92.62635018136476]
我々は,知識外挿の新たな視点から,対実合成を研究する。本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
論文参考訳（メタデータ） (2022-05-21T08:39:42Z)
Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文参考訳（メタデータ） (2021-06-14T20:48:48Z)
BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文参考訳（メタデータ） (2021-06-07T10:14:18Z)

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。