論文の概要: Manifold Attracting Flow Matching: Physics-Constrained Sampling via Continuous Geometric Dynamics
- arxiv url: http://arxiv.org/abs/2611.16677v1
- Date: Thu, 12 Nov 2026 11:53:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.461232
- Title: Manifold Attracting Flow Matching: Physics-Constrained Sampling via Continuous Geometric Dynamics
- Title(参考訳): Manifold Attracting Flow Matching:連続幾何ダイナミクスによる物理制約サンプリング
- Abstract要約: 本稿では,持続的アンカーをODEを通して連続的に進化させるMAFMを提案する。
実験は、可変制約誘導ベースラインよりも優れた生成品質を示す。
MAFMは、学習した物理的構造と明示的な制約を制御可能なサンプリングダイナミクスによって調整するための柔軟なフレームワークを提供する。
- 参考スコア(独自算出の注目度): 26.97763838775973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating scientific data under previously unseen equality constraints requires satisfying the prescribed constraints without destroying the physical structure learned from data. Existing inference-time approaches often enforce physical constraints by repeatedly correcting predicted endpoints, but such discrete corrections can distort learned generative structure and introduce unstable feedback. In this work, we propose Manifold Attracting Flow Matching (MAFM), which continuously evolves a persistent anchor through an ODE whose dynamics drive it analytically toward the constraint manifold. Specifically, its geometric correction preserves model-guided tangent motion while prescribing the normal motion to contract constraint violations toward the manifold. This construction separates model tracking from constraint attraction and provides theoretical guarantees for residual contraction and local feedback stabilization. Experiments across geometric and partial differential equation benchmarks demonstrate improved generation quality over variant constraint-guided baselines while maintaining low constraint residuals. MAFM provides a flexible framework for coordinating learned physical structure and explicit constraints through controllable sampling dynamics, without retraining the underlying generative model.
- Abstract(参考訳): 以前は目に見えない等式制約の下で科学的データを生成するには、データから学んだ物理的構造を破壊することなく、所定の制約を満たす必要がある。
既存の推論時間アプローチは、予測されたエンドポイントを何度も修正することで、物理的制約を強制することが多いが、そのような離散的な修正は、学習した生成構造を歪め、不安定なフィードバックを導入することができる。
本研究では,動的に制約多様体に向かって駆動するODEを通した永続的なアンカーを連続的に進化させるマニフォールド・アトラクション・フローマッチング(MAFM)を提案する。
具体的には、その幾何補正は、模型誘導された接地運動を保存し、多様体に対する制約違反を収縮する正常な運動を規定する。
この構造はモデル追跡を制約アトラクションから分離し、残留収縮と局所的なフィードバック安定化の理論的保証を提供する。
幾何および偏微分方程式ベンチマークによる実験は、低制約残差を維持しながら、可変制約誘導ベースラインよりも優れた生成品質を示す。
MAFMは、基礎となる生成モデルを再訓練することなく、制御可能なサンプリングダイナミクスを通じて学習された物理的構造と明示的な制約を調整する柔軟なフレームワークを提供する。
関連論文リスト
- PMosFM: Preconditioned Manifold Matching for One-Step Physics-Constrained Generation [47.34605477768213]
textbf Preconditioned textbfManifold textbfone-textbfstep textbfFlow textbfMatching (textbfPMosFM) は1ステップの物理制約付き生成のための事前条件付き多様体マッチングフレームワークである。
多様体デコーダの制約を符号化することにより、PMosFMは残留損失と終端残差を分離することなく固有座標の輸送を学習する。
論文 参考訳(メタデータ) (2026-09-30T17:48:21Z) - Conservation Buys Stability and Factoring Buys Counterfactuals in Physical World Models [42.21989596721942]
学習したシミュレータは、トレーニング条件を正確に再現できるが、それらの条件が変更されると、2つの異なる方法で失敗する。
これらの2つの失敗は、異なる構造的改善を必要とすることを示す。
論文 参考訳(メタデータ) (2026-09-17T04:16:51Z) - Physics-conforming Latent Twins [0.0]
我々は、潜在代理解演算子を学習するフレームワークである物理変換ラテントツインスを紹介する。
我々は、元の状態空間における物理的構造と遅延空間における互換性のある制約を結びつける制約-転送視点を開発する。
線形および二次不変量を保存する、あるいは散逸不等式を強制する潜在フロー写像の代数的条件を導出する。
論文 参考訳(メタデータ) (2026-06-13T01:50:56Z) - Probability-Conserving Flow Guidance [49.03107678763765]
Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
論文 参考訳(メタデータ) (2026-05-19T16:34:01Z) - Project and Generate: Divergence-Free Neural Operators for Incompressible Flows [20.191712078154413]
流体力学の学習ベースモデルは制約のない関数空間で動作し、物理的に許容できないシミュレーションをもたらす。
本稿では,非圧縮性連続性方程式を決定論的および生成的モデリングの両面において,困難かつ本質的な制約として適用する統一的枠組みを提案する。
2次元ナビエ・ストークス方程式の実験では、離散化誤差まで正確に非圧縮性を示し、安定性と物理的整合性を大幅に改善した。
論文 参考訳(メタデータ) (2026-03-25T16:40:58Z) - Constraint-Free Static Modeling of Continuum Parallel Robot [2.1933060555769073]
連続並列ロボット(CPR)は、閉ループトポロジーにおいて、剛体運動機構と複数の弾性棒を結合する。
本稿では, 幾何学的非線形, 大規模変形, 大規模回転条件下でも有効であるCPRの幾何的精度, 構成ベース, 制約のない静的モデルを提案する。
論文 参考訳(メタデータ) (2026-03-05T15:49:30Z) - Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。
貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。
私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
論文 参考訳(メタデータ) (2026-01-26T23:10:39Z) - Model-Less Feedback Control of Space-based Continuum Manipulators using Backbone Tension Optimization [0.0]
連続マニピュレータは、閉じ込められた、障害物の多い環境でのナビゲーションのディクスタリティと安全なコンプライアンスを提供する。
無限次元のバックボーン変形、非モデル化内部摩擦、構成に依存した剛性は、モデルベースキネマティックな定式化の信頼性を制限する。
この研究は、微分凸更新を通じてオンラインに改良された経験的に固有のヤコビアンを用いて、キネマティックモデリングをバイパスする完全なモデルレス制御フレームワークを提案する。
論文 参考訳(メタデータ) (2025-12-07T09:34:28Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳(メタデータ) (2025-10-09T04:48:49Z) - Physics-Constrained Flow Matching: Sampling Generative Models with Hard Constraints [0.6990493129893112]
最近、偏微分方程式(PDE)によって支配される物理系に深部生成モデルが適用されている。
既存の手法は、厳しい制約を保証できないような、ソフトな罰則やアーキテクチャ上の偏見に頼っていることが多い。
本研究では,事前学習フローベース生成モデルにおける任意の非線形制約を強制するゼロショット推論フレームワークである物理制約フローマッチングを提案する。
論文 参考訳(メタデータ) (2025-06-04T17:12:37Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳(メタデータ) (2025-06-03T09:29:47Z)
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。