ハイブリッド神経世界モデル

物理ダイナミクスを予測するneural surrogateの新しい枠組み「hybrid neural world models」を提案する。単一のネットワークに連続的なhorizon conditioningを施し、任意の未来状態を1回のforward passで予測するmulti-horizon surrogateを、物理状態空間で訓練・展開するレシピである。shock、front、contactといった鋭い動的イベントで既存surrogateが黙って失敗する問題に対処する。

訓練データ・損失関数・アーキテクチャのいずれも不連続位置を教師しないにもかかわらず、訓練済みsurrogateがそれを暗黙に符号化し、forward passのみからper-trajectory error mapとして復元できる点が新しい。このmapはdeep ensembles、learned error heads、gradient-magnitude indicators、locally-adaptive conformal predictionといったlabel-free baselineと同等以上で、単一ネットワークのみ・calibration set不要・支配方程式の知識不要で達成する。

連続的なhorizon conditioningを持つ単一ネットワークを、textbook reference solverに対する直接supervisionで訓練し、任意のhorizon Tの未来状態を1回のforward passで予測する。訓練後にforward passから得られるper-trajectory error mapがshock、front、contactに集中し、それ以外では小さくなる性質を利用する。Mode 1はsurrogate単独で最大throughput、Mode 2はerror mapでreference-solver fallbackをgateし不確実なtrajectoryをdeferする。

PDE環境において、same-hardware CPUでtextbook solverに対し26xから72xのspeedupを達成。Mode 2ではデフォルト動作点でsurrogateのresidual errorをおよそ半減。error mapをdeep ensembles、learned error heads、gradient-magnitude indicators、locally-adaptive conformal predictionと比較し、同等以上であることを確認。reaction-diffusion、compressible Euler、rigid-body collision dynamicsに修正なしで適用できることを示した。

error mapは不連続位置を明示的に教師されずに暗黙に符号化されるが、そのメカニズムや理論的保証は要旨からは不明。Mode 2のfallbackによる速度と精度のトレードオフ、他分野への一般化可能性、error mapの信頼性限界については要旨からは不明。

要旨で比較されているdeep ensembles、learned error heads、gradient-magnitude indicators、locally-adaptive conformal prediction。またtextbook reference solverやreaction-diffusion、compressible Euler、rigid-body collision dynamicsに関する古典的解法・関連surrogate研究。