論文の概要: Macrocanonical Generator Networks: Data-Efficient Neural Surrogates for Amortized Physics Simulation

• arxiv url: http://arxiv.org/abs/2611.05157v1
• Date: Tue, 03 Nov 2026 16:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:00:20.25633
• Title: Macrocanonical Generator Networks: Data-Efficient Neural Surrogates for Amortized Physics Simulation
• Title（参考訳）: マクロカノニカル・ジェネレータ・ネットワーク:データ効率の良いニューラル・サロゲートによる物理シミュレーション
• Abstract要約: 定常的物理過程のアモート化シミュレーションのための高速でデータ効率のよいニューラルサロゲートを学習するためのフレームワークであるマクロカノニカルジェネレータネットワークを導入する。 マイクロカノニカルな最大エントロピーにインスパイアされ、インナーループ最適化によってサンプル当たりの特徴統計と一致し、代わりに我々は同じ制約を満たすためにニューラルジェネレータを訓練する。 宇宙論と流体シミュレーションの実験により、マクロカノニカルジェネレータは極めて小さなトレーニングセットから現実的なサンプルを回収することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many scientific simulations are computationally expensive, limiting their use in simulation-based inference, uncertainty quantification, and decision making. We introduce macrocanonical generator networks, a framework for learning fast, data-efficient neural surrogates for amortized simulation of stationary physical processes by matching multiscale statistics of a target process. Inspired by microcanonical maximum-entropy synthesis, which matches feature statistics per sample by inner-loop optimization, our approach instead trains a neural generator to satisfy the same constraints in expectation, preserving physically realistic sample-to-sample fluctuations. We prove that gradient-descent training induces preconditioned gradient-descent dynamics in sample space that inherit the symmetry-preservation properties of the microcanonical gradient descent of Bruna and Mallat, amortizing its per-sample inner-loop optimization into a single training run after which every sample is generated in one forward pass. We further show that residual generator parameterizations initialized near the identity, trained with a small learning rate, preserve entropy locally during early optimization and mitigate mode collapse. Experiments on cosmology and fluid simulations show that macrocanonical generators recover realistic samples from extremely small training sets, in some cases a single training example, while generating new realizations more than $10^6$ times faster per sample than the reference simulator and more than $10^3$ times faster than microcanonical gradient descent. The trained generators can be reused for downstream pretraining, including simulation-based inference, providing a data-efficient route to multi-fidelity scientific machine learning workflows.
• Abstract（参考訳）: 多くの科学シミュレーションは計算に高価であり、シミュレーションベースの推論、不確実な定量化、意思決定での使用を制限する。 本研究では,高速でデータ効率のよいニューラルサロゲートを学習するためのマクロカノニカル・ジェネレータ・ネットワークを導入する。 マイクロカノニカルな最大エントロピー合成にインスパイアされ、インナーループ最適化によってサンプル当たりの特徴統計と一致する。 本研究は,BrunaとMallatのマイクロカノニカル勾配勾配の対称性保存特性を継承するサンプル空間において,勾配勾配のトレーニングによって事前条件付き勾配勾配のダイナミクスが誘導されることを証明した。 さらに,アイデンティティの近傍で初期化され,少ない学習率で訓練され,初期最適化時に局所的にエントロピーを保ち,モード崩壊を緩和する残留ジェネレータのパラメータ化について述べる。 宇宙論と流体シミュレーションの実験により、マクロカノニカルジェネレータは、非常に小さなトレーニングセットから現実的なサンプルを回収することを示した。 トレーニングされたジェネレータは、シミュレーションベースの推論など、下流での事前トレーニングのために再利用することができる。

関連論文リスト

• Neural Flow Samplers with Shortcut Models [19.81513273510523]
  連続フローベースのニューラルサンプリングは、非正規化された密度からサンプルを生成するための有望なアプローチを提供する。 速度駆動型Sequential Monte Carlo法を用いて,これらの課題量に対する改良された推定器を提案する。 提案するニューラルフローショートカットサンプリングは,合成データセットと複雑なnボディシステムターゲットの両方において,既存のフローベースニューラルサンプリングよりも経験的に優れている。
  論文  参考訳（メタデータ） (2025-02-11T07:55:41Z)
• Parallel Simulation for Log-concave Sampling and Score-based Diffusion Models [55.07411490538404]
  本稿では,次元$d$の適応的複雑性依存性を改善する並列サンプリング手法を提案する。 我々の手法は科学計算による並列シミュレーション技術に基づいている。
  論文  参考訳（メタデータ） (2024-12-10T11:50:46Z)
• Compositional simulation-based inference for time series [21.9975782468709]
  シミュレーションデータに基づいてニューラルネットワークをトレーニングし、ベイズ推論を実行する方法。 シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。 本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用できるSBI手法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T01:55:07Z)
• Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations [27.984190594059868]
  生成モデルは サロゲートサンプルとして利用され コンフォメーションアンサンブルを 桁違いに速く得る 本研究では,MDシミュレーションを抽出可能な方法で組み込んだ,事前学習型ジェネレーティブ・サンプリング器の少数ショット設定について検討する。
  論文  参考訳（メタデータ） (2024-02-16T03:48:55Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。