自然システムのデジタルツインにおけるモデル適応用の生成型フローネットワーク

arXiv:2604.20707v1 Announce Type: new Abstract: 自然システムのデジタルツインは、時間とともに変化し、部分的にしか観測されず、かつパラメータが直接測定できない機械的シミュレーターによって一般的にモデル化される、物理システムとの整合性を維持する必要があります。そのような状況において、モデル適応は自然にシミュレーションに基づく推論問題として設定されます。ただし、疎なかつ間接的な観測は、一意かつ最適な校正を特定することができないため、利用可能な証拠と整合する複数のシミュレーターパラメータ化が存在します。本稿では、自然システムのデジタルツインのためのモデル適応用の GFlowNet ベースのアプローチを提示します。私達は、適応を完成されたシミュレーター構成における生成モデリング問題として形式化し、シミュレートされた行動と観測された行動の間の合致から導かれた報酬に比例する確率で、妥当なパラメータ化をサンプリングさせることができます。制御された環境農業のケーススタディとして、機械的トマトモデルに基づいた適用を行い、学習された政策が適応風景の支配的な領域を回復し、強力な校正仮説を取得し、不確実性下で複数の妥当な構成を保存することを示しました。

arXiv:2604.20707v1 Announce Type: new Abstract: Digital twins of natural systems must remain aligned with physical systems that evolve over time, are only partially observed, and are typically modeled by mechanistic simulators whose parameters cannot be measured directly. In such settings, model adaptation is naturally posed as a simulation-based inference problem. However, sparse and indirect observations often fail to identify a unique and optimal calibration, leaving several simulator parameterizations compatible with the available evidence. This article presents a GFlowNet-based approach to model adaptation for digital twins of natural systems. We formulate adaptation as a generative modeling problem over complete simulator configurations, so that plausible parameterizations can be sampled with probability proportional to a reward derived from agreement between simulated and observed behavior. Using a controlled environment agriculture case study based on a mechanistic tomato model, we show that the learned policy recovers dominant regions of the adaptation landscape, retrieves strong calibration hypotheses, and preserves multiple plausible configurations under uncertainty.