論文の概要: Score-based neural ordinary differential equations for reaction-diffusions
- arxiv url: http://arxiv.org/abs/2611.18467v1
- Date: Fri, 13 Nov 2026 17:39:51 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:28:14.691628
- Title: Score-based neural ordinary differential equations for reaction-diffusions
- Title(参考訳): 反応拡散に対するスコアベースニューラル常微分方程式
- Abstract要約: 拡散方程式は、進化密度のスコア関数によって駆動される輸送方程式として書き換えることができる。
本研究では, 各粒子が位置と物理量を持つ反応拡散方程式のラグランジアン法を開発した。
- 参考スコア(独自算出の注目度): 0.5528896840956629
- License:
- Abstract: A diffusion equation can be rewritten as a transport equation driven by the score function of the evolving density. Conventional probability-flow formulations, which move particles deterministically with this score-driven velocity, typically conserve total mass. In this work, we develop a Lagrangian method for reaction-diffusion equations in which each particle carries a position and a physical weight. The characteristic ODEs incorporate source terms into the evolution of the log-density and its gradient, while particle weights track changes in mass. We combine this representation with a learned velocity field and weighted particle training to approximate these dynamics. For non-increasing reaction rates, a relative-entropy inequality supports the mass-normalized self-consistency residual as the training objective. This objective can control the error of the induced density when the growth rate is bounded. The algorithm divides the time interval into short windows. In each window, a frozen velocity generates the particle data for a regression of the network velocity. We draw the particles from period-adapted initial sampling distributions and weight them in the loss partly by their predicted future mass, because the reaction can make regions with little initial mass important later. We numerically investigate the method on the Ornstein--Uhlenbeck (OU) equation with a linear source term, Fisher--KPP equations, and Wasserstein--Fisher--Rao gradient flows.
- Abstract(参考訳): 拡散方程式は、進化密度のスコア関数によって駆動される輸送方程式として書き換えることができる。
従来の確率フローの定式化は、粒子をこのスコア駆動速度で決定論的に移動させ、通常は総質量を保存する。
本研究では, 各粒子が位置と物理量を持つ反応拡散方程式のラグランジアン法を開発した。
特徴的ODEは、源項を対数密度とその勾配の進化に含み、一方粒子の重みは質量の変化を追跡する。
この表現を学習速度場と重み付き粒子トレーニングと組み合わせて、これらのダイナミクスを近似する。
非増加反応速度では、相対エントロピー不等式は、訓練目的として質量正規化された自己整合残差を支持する。
この目的は、成長速度が有界であるときに誘導密度の誤差を制御することができる。
アルゴリズムは時間間隔を短いウィンドウに分割する。
各ウィンドウにおいて、凍結速度は、ネットワーク速度の回帰のために粒子データを生成する。
我々は, 周期適応した初期サンプリング分布から粒子を抽出し, 将来の質量予測によって損失の重み付けを行う。
線形源項を持つオルンシュタイン-ウレンベック方程式、フィッシャー-KPP方程式、ワッサーシュタイン-フィッシャー-ラオ勾配流について数値解析を行った。
関連論文リスト
- An ODE-based Sampler for Discrete Diffusion Models [60.57381388241996]
離散拡散モデルに対する指数的残留流(ERF)を導入する。
ERFは、断片的に定義されたODEに従って決定的に進化する。
我々は,サンプルの実用的な離散化を導き,マスク付き均一拡散に特化する。
論文 参考訳(メタデータ) (2026-10-29T17:55:25Z) - Finite-step statistical mechanics of scale-invariant learning: spectral equations of state and curvature transport [51.56484100374058]
勾配ノイズが理想-ガス記述から逸脱するニューラルネットワークでは、マクスウェル関係に類似したエントロピー-スケーリング関係はほぼ有効である。
軌道の正確な再スケーリングは熱平衡を仮定せずにエントロピー関係を説明する。
CIFAR-10とCIFAR-100のスフィアモデル、教師学生ネットワークおよび畳み込みネットワークにおけるテストは、輸送記述をサポートし、ハーモニックおよび立方体の近似の限界を識別する。
論文 参考訳(メタデータ) (2026-10-27T22:04:00Z) - Hamiltonian Normalizing Flows as kinetic PDE solvers: application to the 1D Vlasov-Poisson Equations [0.0]
ハミルトンインフォームド正規化フローに基づく新しい手法を提案する。
モデルは、固定時間Tで初期状態と最終状態からなるデータセットに基づいて訓練される。
トレーニング中に見えない中間状態に一般化することができ、時間の経過とともにシステムの進化に関する洞察を提供する。
論文 参考訳(メタデータ) (2025-05-07T14:40:15Z) - Propagation of Chaos in One-hidden-layer Neural Networks beyond Logarithmic Time [46.15741640288809]
本稿では,a-width ニューラルネットワークの力学と無限幅ニューラルネットワークとの近似ギャップについて検討する。
平均場力学によって支配される微分方程式を通して、この近似ギャップを厳密に束縛する方法を実証する。
論文 参考訳(メタデータ) (2025-04-17T17:24:38Z) - Sampling in Unit Time with Kernel Fisher-Rao Flow [0.0]
非正規化対象密度からサンプリングするための平均場ODEと対応する相互作用粒子系(IPS)を導入する。
IPSは勾配のない閉形式であり、参照密度からサンプリングし、(正規化されていない)ターゲット-参照密度比を計算する能力のみを必要とする。
論文 参考訳(メタデータ) (2024-01-08T13:43:56Z) - Quantum master equations for a fast particle in a gas [0.0]
熱平衡における低密度気体中の高速粒子の伝播は、量子力学の文脈で研究される。
粒子の還元密度行列を規定するレッドフィールド形式における量子マスター方程式は、第一原理から明確に導かれる。
論文 参考訳(メタデータ) (2022-09-05T17:06:03Z) - Self-Consistency of the Fokker-Planck Equation [117.17004717792344]
フォッカー・プランク方程式は、伊藤過程の密度進化を支配している。
地絡速度場は固定点方程式の解であることを示すことができる。
本稿では,この概念を利用して仮説速度場のポテンシャル関数を設計する。
論文 参考訳(メタデータ) (2022-06-02T03:44:23Z) - Variational Transport: A Convergent Particle-BasedAlgorithm for Distributional Optimization [106.70006655990176]
分散最適化問題は機械学習や統計学で広く発生する。
本稿では,変分輸送と呼ばれる粒子に基づく新しいアルゴリズムを提案する。
目的関数がpolyak-Lojasiewicz (PL) (Polyak, 1963) の機能バージョンと滑らかな条件を満たすとき、変分輸送は線形に収束することを示す。
論文 参考訳(メタデータ) (2020-12-21T18:33:13Z) - Unbalanced Sobolev Descent [31.777218621726284]
非平衡ソボレフ蛍光(USD)は、高次元の音源分布を、必ずしも同じ質量を持つとは限らないターゲット分布へ輸送する粒子降下アルゴリズムである。
USDは、ソボレフ・フィッシャー差動の証人関数の流れに沿って粒子を輸送し(対流ステップ)、この証人関数に関して粒子の質量を再考する(反応ステップ)。
本稿では,USD が従来の粒子降下アルゴリズムよりも高速に質量を保存・保存して分布を輸送する合成例を示す。
論文 参考訳(メタデータ) (2020-09-29T16:43:38Z) - Generative Ensemble Regression: Learning Particle Dynamics from
Observations of Ensembles with Physics-Informed Deep Generative Models [27.623119767592385]
本稿では,離散時間とスパース時間で粒子アンサンブルを観測することにより,支配する常微分方程式(SODE)を推定する新しい手法を提案する。
パーティクル座標は、スナップショット毎に記録されるが、スナップショット全体では再生されない。
サンプル経路を生成する物理インフォームド生成モデルを訓練することにより、観測された粒子アンサンブル分布を確率測定空間内の曲線に適合させることを目指す。
論文 参考訳(メタデータ) (2020-08-05T03:06:40Z)
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。