論文の概要: Learning Physics-Consistent Particle Interactions

• arxiv url: http://arxiv.org/abs/2202.00299v1
• Date: Tue, 1 Feb 2022 09:59:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 14:37:48.911489
• Title: Learning Physics-Consistent Particle Interactions
• Title（参考訳）: 物理-粒子相互作用の学習
• Authors: Zhichao Han, David S. Kammer, Olga Fink
• Abstract要約: 本稿では,グラフネットワークフレームワークを適応させるアルゴリズムを提案する。このアルゴリズムは,一対の相互作用を学習するためのエッジ部分と,粒子レベルでのダイナミクスをモデル化するためのノード部分を含む。 提案手法を複数のデータセット上で検証し、ペアの相互作用を正確に推定する際の性能がかなり向上することを示した。
• 参考スコア（独自算出の注目度）: 3.9686511558236055
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Interacting particle systems play a key role in science and engineering. Access to the governing particle interaction law is fundamental for a complete understanding of such systems. However, the inherent system complexity keeps the particle interaction hidden in many cases. Machine learning methods have the potential to learn the behavior of interacting particle systems by combining experiments with data analysis methods. However, most existing algorithms focus on learning the kinetics at the particle level. Learning pairwise interaction, e.g., pairwise force or pairwise potential energy, remains an open challenge. Here, we propose an algorithm that adapts the Graph Networks framework, which contains an edge part to learn the pairwise interaction and a node part to model the dynamics at particle level. Different from existing approaches that use neural networks in both parts, we design a deterministic operator in the node part. The designed physics operator on the nodes restricts the output space of the edge neural network to be exactly the pairwise interaction. We test the proposed methodology on multiple datasets and demonstrate that it achieves considerably better performance in inferring correctly the pairwise interactions while also being consistent with the underlying physics on all the datasets than existing purely data-driven models. The developed methodology can support a better understanding and discovery of the underlying particle interaction laws, and hence guide the design of materials with targeted properties.
• Abstract（参考訳）: 相互作用粒子系は科学と工学において重要な役割を果たしている。 制御粒子相互作用法則へのアクセスは、そのようなシステムの完全な理解に不可欠である。 しかし、固有のシステムの複雑さは、多くのケースで粒子の相互作用を隠している。 機械学習手法は、実験とデータ分析法を組み合わせることで、相互作用する粒子システムの振る舞いを学習する可能性がある。 しかし、既存のアルゴリズムのほとんどは粒子レベルでの運動学の学習に焦点を当てている。 ペアワイズ相互作用、例えばペアワイズ力やペアワイズポテンシャルエネルギーの学習は、依然としてオープンな課題である。 本稿では,グラフネットワークフレームワークを適応させるアルゴリズムを提案する。このアルゴリズムは,一対の相互作用を学習するためのエッジ部分と,粒子レベルでのダイナミクスをモデル化するためのノード部分を含む。 ニューラルネットワークを両部分で使用する既存のアプローチとは異なり、ノード部に決定論的演算子を設計する。 ノード上の設計された物理演算子は、エッジニューラルネットワークの出力空間を正確にペアの相互作用に制限する。 我々は,提案手法を複数データセット上でテストし,既存の純粋データ駆動モデルよりも基礎となる物理値と一致しつつ,ペアインタラクションを正しく推論することで,かなり優れた性能を実現することを実証する。 基礎となる粒子相互作用の法則をよりよく理解し、発見し、そのため、対象特性を持つ材料の設計を導くことができる。

関連論文リスト

• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Machine learning the interaction network in coupled dynamical systems [0.0]
  相互作用する粒子の集合において、相互作用ネットワークは、様々なコンポーネントが相互にどのように相互作用するかに関する情報を含んでいる。 本研究では,対話ネットワークの回復とエージェントのダイナミクスの予測という2つの結果を達成するために,自己教師型ニューラルネットワークモデルを用いる。
  論文  参考訳（メタデータ） (2023-10-05T08:29:00Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)
• Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
  Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。 様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-22T03:45:29Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Data-driven discovery of interacting particle systems using Gaussian processes [3.0938904602244346]
  本研究では,2次相互作用粒子系における距離に基づく相互作用則の発見について検討する。 本稿では,潜在相互作用カーネル関数をガウス過程としてモデル化する学習手法を提案する。 異なる集団行動を示すシステムにおける数値的な結果から,ノイズの少ない軌道データから,我々のアプローチを効果的に学習することを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:00:53Z)
• Scalable Graph Networks for Particle Simulations [1.933681537640272]
  完全に接続された相互作用グラフを階層的なグラフに変換するアプローチを導入する。 このアプローチを用いることで、単一のGPU上でも、はるかに大きなパーティクル数でモデルをトレーニングすることが可能になります。 提案手法は, 大規模重力N体シミュレーションにおいても高い精度と効率を保っている。
  論文  参考訳（メタデータ） (2020-10-14T10:54:54Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。