Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning

要約

この研究は、データ駆動型の訓練されたモデルを通じて時空間的物理フィールドの生成で遭遇する実質的な物理的方程式の矛盾の課題に直面しています。
HMT-PFという名前の時空の物理フィールド生成モデルは、非構造化グリッド情報を入力として組み込んだハイブリッドMAMBA-TRANSFORMERアーキテクチャに基づいて開発されています。
物理情報で強化された微調整ブロックが、物理的方程式の矛盾を効果的に減らすために導入されます。
物理方程式残差は、効率的な勾配評価のためにポイントクエリメカニズムを通じて計算され、洗練された潜在空間にエンコードされます。
微調整プロセスでは、自己監視された学習アプローチを採用して、必須のフィールド特性を維持しながら、身体的一貫性を実現します。
結果は、ハイブリッドマンバ変換モデルが時空間フィールドの生成において優れたパフォーマンスを達成し、物理学に基づいた微調整メカニズムが重要な物理的エラーを効果的に減少させることを示しています。
MSE-R評価方法は、物理フィールド生成の精度とリアリズムを評価するために開発されています。

要約(オリジナル)

This research confronts the challenge of substantial physical equation discrepancies encountered in the generation of spatiotemporal physical fields through data-driven trained models. A spatiotemporal physical field generation model, named HMT-PF, is developed based on the hybrid Mamba-Transformer architecture, incorporating unstructured grid information as input. A fine-tuning block, enhanced with physical information, is introduced to effectively reduce the physical equation discrepancies. The physical equation residuals are computed through a point query mechanism for efficient gradient evaluation, then encoded into latent space for refinement. The fine-tuning process employs a self-supervised learning approach to achieve physical consistency while maintaining essential field characteristics. Results show that the hybrid Mamba-Transformer model achieves good performance in generating spatiotemporal fields, while the physics-informed fine-tuning mechanism further reduces significant physical errors effectively. A MSE-R evaluation method is developed to assess the accuracy and realism of physical field generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google