Phys-JEPA: 物理情報を組み込んだ潜在世界モデルによる多変量時系列予測

- 多変量時系列予測のための物理情報を組み込んだ latent world model である Phys-JEPA を提案する。 - 予測状態を physical 成分と residual 成分に分解し、物理的整合性を latent state と latent transition に直接課す。 - Jena Climate 2009--2016、Traffic、Electricity で評価し、aggregate MSE や target-variable MSE の改善を報告する。

- 従来の deep forecaster は時間相関を適合できるが、物理的構造を持たない hidden predictive state を生成しうる。 - 既存の physics-informed model は科学的制約を decoded-output レベルでしか正則化しないことが多い。 - Phys-JEPA は物理的整合性を latent state と latent transition に直接課す点で、出力空間から潜在予測状態空間へ物理情報学習を移す。

- physics-informed joint-embedding predictive architecture を採用する。 - latent world model 内で predictive state を physical 成分と residual 成分に分解する。 - 既知の物理変数を用いて表現空間を組織化しつつ、未解決ダイナミクス用の residual capacity を保持する。 - 物理的整合性を decoded forecast だけでなく latent state と latent transition に課す。

- Jena Climate 2009--2016 で H=24 の aggregate MSE を 0.12482 から 0.12273 に、temperature MSE を 0.01892 から 0.01831 に低減する。 - Traffic で full Phys-JEPA が全テスト horizon で supervised baseline より aggregate MSE を改善し、H=192 で 0.800784 から 0.773873 に低減する。 - Electricity では最良 variant が horizon 依存で、H=24 と H=48 では static latent consistency が強く、H=192 では full Phys-JEPA が最良の aggregate と target-variable MSE を与える。

- 初期結果は、physics-informed learning を output space から latent predictive state space へ移すことが解釈可能な temporal world model の有望な方向であることを示唆する。 - Electricity では最良 variant が horizon に依存し、static latent consistency と full Phys-JEPA の優劣が一様でない。 - 限界や一般化可能性、他の物理系への適用性については要旨からは不明。

- joint-embedding predictive architecture (JEPA) に関する研究。 - physics-informed neural network や physics-informed forecasting の関連研究。 - latent world model や model-based forecasting の関連研究。 - Jena Climate 2009--2016、Traffic、Electricity を用いた時系列予測ベンチマーク研究。