論文の概要: DyPSI: Dynamic Physics Sensing via Joint Field and Sensor-Trajectory Generation

• arxiv url: http://arxiv.org/abs/2611.06280v1
• Date: Wed, 04 Nov 2026 10:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.055397
• Title: DyPSI: Dynamic Physics Sensing via Joint Field and Sensor-Trajectory Generation
• Title（参考訳）: DyPSI: 関節場による動的物理センシングとセンサ・トラジェクトリ・ジェネレーション
• Abstract要約: DyPSIは動的物理センシングフレームワークであり、過去の観測で条件付けられた将来の磁場とセンサー軌道を定式化する。 また,DyPSIは,センサの厳しい予算下での大幅な誤差低減を図りながら,静的およびフレームワイド配置戦略を一貫して上回っていることを示す。
• 参考スコア（独自算出の注目度）: 12.521308173605577
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Physics sensing in evolving environments requires reconstructing dense spatiotemporal fields from sparse observations while adapting where future observations should be collected. Existing reconstruction and sensor-placement methods have made substantial progress, but they typically rely on static sensing assumptions: they either use a single layout across all frames or optimize placements independently at each frame, which limits their ability to produce temporally coherent sensing trajectories. We introduce DyPSI, a dynamic physics sensing framework that formulates this problem as the joint generation of future fields and sensor trajectories conditioned on historical observations. DyPSI lifts discrete sensor coordinates into continuous Sensor Position Fields, encodes fields and sensing configurations with a shared Functional Tucker representation, and trains a joint diffusion model to generate future fields and sensing trajectories simultaneously in the resulting latent space. A Gaussian-process temporal kernel correlates the perturbation injected during diffusion training, biasing the denoiser toward temporally smooth recoveries, and we further provide an analysis linking the EDM training objective to a sequence-aggregated A-optimality criterion and a kernel-induced bound on discrete trajectory variation. Experiments on turbulent flow, GLORYS12 sea-surface temperature, and 3D car aerodynamics show that DyPSI consistently outperforms static and frame-wise placement strategies, with substantial error reduction under tight sensor budgets. The code is available at https://github.com/mengqi132/DyPSI.
• Abstract（参考訳）: 進化する環境における物理センシングは、将来観測されるべき場所に適応しながら、スパース観測から高密度の時空間場を再構築する必要がある。 既存の再構築法やセンサ配置法は大きな進歩を遂げているが、それらは通常静的な感覚の仮定に依存している: それらは全てのフレームに1つのレイアウトを使うか、各フレームに独立して配置を最適化する。 我々は,DyPSIという動的物理センシングフレームワークを導入し,この問題を過去の観測を前提とした将来のフィールドとセンサの軌跡の合同生成として定式化する。 DyPSIは、離散センサ座標を連続センサー位置場に引き上げ、フィールドとセンシング構成を共有機能タッカー表現でエンコードし、結合拡散モデルを訓練し、将来のフィールドを生成し、その結果の潜在空間で同時に軌道を感知する。 ガウス過程の時間核は、拡散訓練中に注入された摂動を相関させ、デノイザーを時間的に滑らかな回復に向けてバイアスさせ、さらに、EDMトレーニング目標を配列集約されたA-最適基準と、離散的軌道変動に基づくカーネル誘起境界にリンクする分析を行う。 乱流, GLORYS12 海面温度, 3次元自動車空気力学実験の結果, DyPSI はセンサの厳しい予算下での大幅な誤差低減を図りながら, 静的・フレーム的な配置戦略を一貫して上回っていることがわかった。 コードはhttps://github.com/mengqi132/DyPSIで入手できる。

関連論文リスト

• PhySense: Sensor Placement Optimization for Accurate Physics Sensing [53.58729034895666]
  PhySenseは、物理的なフィールドを共同で再構築し、センサー配置を最適化するフレームワークである。 最先端の物理センサーの精度を達成し、以前は考えられていなかった情報的なセンサー配置を発見する。
  論文  参考訳（メタデータ） (2025-05-19T14:59:11Z)
• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [31.398965880415492]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,スパース時間データダイナミックスパーストレーニングの概念を初めて紹介し,適応的かつ動的に重要な分布センサをフィルタリングすることにコミットする。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)
• Unsupervised Cross-Domain Soft Sensor Modelling via Deep Physics-Inspired Particle Flow Bayes [3.2307729081989334]
  クロスドメイン・ソフト・センサ・モデリングのためのディープ・パーティクル・フロー・ベイズ・フレームワークを提案する。 特に、まずシーケンシャルベイズ目標を定式化し、最大推定を行う。 複雑な産業用多相流プロセスシステムにおけるフレームワークの有効性を検証した。
  論文  参考訳（メタデータ） (2023-06-08T03:43:32Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)

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。