論文の概要: PhysXAI: A Theoretical Framework for Diagnosing Physical Hallucinations in Weather Foundation Models
- arxiv url: http://arxiv.org/abs/2611.15053v1
- Date: Wed, 11 Nov 2026 05:25:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.051458
- Title: PhysXAI: A Theoretical Framework for Diagnosing Physical Hallucinations in Weather Foundation Models
- Title(参考訳): PhysXAI:気象モデルにおける物理幻覚の診断のための理論的枠組み
- Abstract要約: グローバル気象予報のための現代の機械学習モデルは、基本的な物理法則に違反した状態を生成する。
本稿では,不整合の検出,ローカライズ,属性の厳密な診断フレームワークであるPhysXAIを提案する。
我々は、GraphCast、Pangu-Weather、NeuralGCMの予測を用いて、ERA5、WeatherBench 2、MERRA-2におけるPhysXAIの総合的な比較評価を行う。
- 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: Modern machine learning models for global weather forecasting achieve remarkable predictive accuracy, yet they frequently produce states that violate fundamental physical laws, including conservation of mass, hydrostatic balance, or spectral energy scaling. We term these outputs physical hallucinations and propose PhysXAI, a rigorous diagnostic framework that detects, localises, and attributes such inconsistencies. Unlike existing post-hoc metric suites, PhysXAI is a learnable system that explicitly decouples forecast error from physical plausibility. We formalise the problem through a novel joint condition on numerical and physical residuals, and introduce a multi-branch encoder that extracts representations from conservation, dynamical, spectral, cross-variable, and spatiotemporal residuals. A key innovation is a physics-consistency contrastive learning objective, which we theoretically show the latent representation to be approximately isometric to the physical residual space, ensuring that diagnostic decisions remain grounded in physically meaningful deviations. We further derive an adaptive multi-objective loss with gradient-based weighting to balance competing diagnostic objectives. The framework produces spatially resolved hallucination maps, violation-type classifications, and calibrated Bayesian uncertainty, enabling both detection and interpretable attribution of physical inconsistencies. We conduct a comprehensive comparative evaluation of PhysXAI across ERA5, WeatherBench 2, and MERRA-2, using forecasts from GraphCast, Pangu-Weather, and NeuralGCM, with Python-written code and a fully reproducible experimental protocol. Our theoretical analysis and empirical evaluation establish PhysXAI as a principled framework for diagnosing physical hallucinations and advancing trustworthy AI for weather forecasting.
- Abstract(参考訳): 地球規模の天気予報のための現代の機械学習モデルは、顕著な予測精度を達成するが、質量の保存、静水圧バランス、スペクトルエネルギーのスケーリングを含む基本的な物理法則に違反した状態をしばしば生成する。
これらの出力を物理幻覚と呼び、不整合を検出する厳密な診断フレームワークであるPhysXAIを提案する。
既存のポストホックメトリックスイートとは異なり、PhysXAIは学習可能なシステムであり、予測エラーを物理的妥当性から明確に分離する。
数値的残差と物理的残差の新たなジョイント条件により問題を定式化し, 保存, 動的, スペクトル, クロス変数, 時空間的残差から表現を抽出するマルチブランチエンコーダを導入する。
重要な革新は物理一貫性の対照的な学習目標であり、理論的には、潜伏表現が物理的残留空間とほぼ等距離であることを示し、診断決定が物理的に意味のある偏差に基礎を置いていることを保証する。
さらに、競合する診断目標のバランスをとるために、勾配に基づく重み付けによる適応的多目的損失を導出する。
このフレームワークは、空間的に解決された幻覚マップ、違反型分類、およびキャリブレーションされたベイズの不確実性を生成し、物理的不整合の検出と解釈可能な帰属の両方を可能にする。
我々は、GraphCast、Pangu-Weather、NeuralGCMの予測を用いて、ERA5、WeatherBench 2、MERRA-2におけるPhysXAIの総合的な比較評価を行い、Pythonで記述されたコードと完全に再現可能な実験プロトコルを用いて、PhysXAIの総合的な評価を行う。
我々はPhysXAIを物理幻覚の診断と天気予報のための信頼性の高いAIの進歩のための原則的枠組みとして確立した。
関連論文リスト
- GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。
一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。
この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
論文 参考訳(メタデータ) (2026-08-06T12:19:38Z) - 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) - PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping [4.854753036255255]
伝統的な物理学に基づくシミュレーション(PBS)の代替として、ディープラーニングに基づく衣服のドラッピングが出現している。
本稿では,明示的な力と制約によって引き起こされる身体的リアルな衣服ドレープのためのハイブリッドニューラルネットワーク物理解法であるPhysDrapeについて述べる。
この差別化可能な設計は、明示的な制約によって物理的な妥当性を保証すると同時に、エンドツーエンドの学習により、物理的に一貫した予測のためにネットワークを最適化することができる。
論文 参考訳(メタデータ) (2026-02-08T15:46:01Z) - LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。
現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。
経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
論文 参考訳(メタデータ) (2025-10-13T15:19:07Z) - Does Physics Knowledge Emerge in Frontier Models? [19.035965618393096]
VLM(Leading Vision-Language Models)は、視覚知覚と一般的な推論において強力な結果を示す。
しかし、物理力学を理解し予測する能力は、まだ不明である。
3つの物理シミュレーションデータセット上で6つのフロンティアVLMをベンチマークする。
論文 参考訳(メタデータ) (2025-10-03T22:30:06Z) - Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。
視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。
常に最先端のVLMベースラインを精度と解釈性で上回る。
論文 参考訳(メタデータ) (2025-08-24T14:34:21Z) - PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。
物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
論文 参考訳(メタデータ) (2025-04-08T14:11:01Z) - ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。
私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。
また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文 参考訳(メタデータ) (2024-02-09T01:09:21Z) - AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality
Prediction [40.58819011476455]
本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。
我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。
2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
論文 参考訳(メタデータ) (2024-02-06T07:55:54Z)
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。