日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
状態推定arXiv:2610.32926

ZENO: ザカイ方程式ニューラルオペレータによる非線形フィルタリング

ZENO: Nonlinear filtering with Zakai Equation Neural Operators

シェア:XThreadsFacebookLINEはてブBluesky

ザカイ方程式に基づく物理情報損失でニューラルオペレータを最適化し、潜在確率力学系の非正規化フィルタ分布を近似するZENOを提案。EM枠組みでパラメータ学習と状態推定を行い、二重井戸系・ファンデルポール振動子・ローレンツ系で有効性を示した。

詳しい要約

1. どんなもの？

- 非線形フィルタリングのための新手法 ZENO（Zakai Equation Neural Operator）の提案。 - 潜在確率力学系の非正規化フィルタリング分布を支配する Zakai equation（SPDE）を neural operator で近似するモデル。 - 近似した事後分布を EM フレームワークに組み込み、状態推論と SDE パラメータ学習を行う。 - 対象は科学機械学習における状態推論・パラメータ学習という中核計算。

2. 先行研究と比べてどこがすごい？

- 高次元 SPDE の解析解・数値解は一般に困難だが、operator learning と physics-informed machine learning の進展を活用して実現可能にした点。 - 既存の latent SDE 推論・学習手法（established methods）と比較して性能を評価している。 - PDE・operator theory の視点から非線形フィルタリングと力学系推論に取り組む新規アプローチである点を主張。

3. 技術・手法の肝は？

- Zakai equation に基づく physics-informed loss で neural operator を最適化し、厳密な非正規化フィルタリング分布を近似。 - Zakai equation は forward Kolmogorov operator（Fokker-Planck equation）と観測尤度更新を組み合わせた SPDE。 - ZENO が推論した事後分布を expectation-maximization (EM) フレームワークで利用し、パラメータ学習と状態推論を実施。

4. どうやって有効だと検証した？

- 3 つのシミュレーション力学系で検証：Double-Well bistable system、Van Der Pol (VDP) oscillator、Lorenz system。 - 事後分布の推論精度と対応する SDE パラメータの学習性能を評価。 - 既存の latent SDE 推論・学習手法との比較を実施。 - 固定した C. elegans の全脳イメージングデータセットから、前進・後退運動を表す既知の limit cycles を再現した。

5. 議論はある？

- 高次元 SPDE の数値的困難を operator learning と physics-informed ML で扱う意義と限界。 - EM フレームワーク内での ZENO 事後分布利用の妥当性。 - シミュレーションと実データ（C. elegans）での結果の一般性。 - 詳細な議論は要旨からは不明。

6. 次に読むべき論文は？

- Zakai equation および nonlinear filtering の基礎（SPDE・Fokker-Planck 関連）。 - operator learning / physics-informed machine learning の代表的手法（例：DeepONet、Fourier Neural Operator、PINN）。 - latent SDE 推論・学習の既存手法（要旨で比較対象とされる established methods）。 - expectation-maximization (EM) を用いた状態空間モデルのパラメータ推定に関する研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Aaditya Prasad, Steven W. Flavell, Brian DePasquale

分類: cs.LG, q-bio.NC

原文アブストラクト

State inference and parameter learning for nonlinear filters is a core computation for scientific machine learning with varied applications in engineering and neuroscience. The unnormalized filtering distribution is governed by the Zakai equation, a stochastic partial differential equation (SPDE) that combines the forward Kolmogorov operator (known as the Fokker-Planck equation) with observed likelihood updates. Although solving these high-dimensional SPDEs is often impossible analytically and intractable numerically, advances in operator learning and physics-informed machine learning have made it feasible. Harnessing these advances, we introduce the Zakai Equation Neural Operator (ZENO), a model that optimizes a neural operator against a Zakai Equation based physics-informed loss to approximate the exact unnormalized filtering distribution for latent stochastic dynamical systems. We use this ZENO-inferred posterior distribution in an expectation-maximization (EM) framework to perform parameter learning and state inference. We demonstrate ZENO's ability to accurately infer the posterior distribution and learn its corresponding SDE parameters in three simulated stochastic dynamical systems (Double-Well bistable system, Van Der Pol (VDP) oscillator, and Lorenz system) and compare its performance against established methods for latent SDE inference and learning. We show that ZENO recovers previously observed limit cycles representing forward and backward locomotion from a whole-brain imaging dataset of immobilized \textit{C. elegans} nematodes. ZENO is a novel approach to the problem of nonlinear filtering and dynamical inference through the lens of partial differential equations and operator theory.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI