時系列とアンサンブルをまたぐ科学信号の高速漸近的適合: 共有可能なニューラルフィールドによるアプローチ

arXiv:2604.19979v1 発表タイプ: new 要旨：ニューラルフィールド（非明示的ニューラル表現：INR）は、連続的な幾何学のモデリングに強力な枠組みを提供しますが、高次元の科学的設定においては、緩やかな収束とスケール性の課題によりその効果が制限されています。本研究では、INR モデルを時空間的および多変数信号に対応させる拡張を行い、科学信号間で INR 特徴を転移させる手法を示しました。このアプローチにより、時系列およびアンサンブルラン全体において効率的かつスケーラブルな表現が可能になりました。制御された変換制度（例：幾何学的変換や合成フィールドの局所的不確実性の擾乱）および高忠実度の科学ドメイン（乱流、流体 - 物質衝突ダイナミクス、天体物理学的システムを含む）では、転移可能な特徴は、信号の忠実性だけでなく、密度勾配や渦度を含む導出された幾何学的および物理量の実用精度も向上させることが示されました。特に、転移可能な特徴は、標的復元品質に達するための反復数を 10 倍にも減らし、早期段階の復元品質を数 dB 向上させ（一部ケースで 10 dB 以上の增益）、勾配に基づく物理精度を一貫して改善しました。

arXiv:2604.19979v1 Announce Type: new Abstract: Neural fields, also known as implicit neural representations (INRs), offer a powerful framework for modeling continuous geometry, but their effectiveness in high-dimensional scientific settings is limited by slow convergence and scaling challenges. In this study, we extend INR models to handle spatiotemporal and multivariate signals and show how INR features can be transferred across scientific signals to enable efficient and scalable representation across time and ensemble runs in an amortized fashion. Across controlled transformation regimes (e.g., geometric transformations and localized perturbations of synthetic fields) and high-fidelity scientific domains-including turbulent flows, fluid-material impact dynamics, and astrophysical systems-we show that transferable features improve not only signal fidelity but also the accuracy of derived geometric and physical quantities, including density gradients and vorticity. In particular, transferable features reduce iterations to reach target reconstruction quality by up to an order of magnitude, increase early-stage reconstruction quality by multiple dB (with gains exceeding 10 dB in some cases), and consistently improve gradient-based physical accuracy.