論文の概要: Learning Mechanically Driven Emergent Behavior with Message Passing
Neural Networks
- arxiv url: http://arxiv.org/abs/2202.01380v1
- Date: Thu, 3 Feb 2022 02:46:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-05 01:19:11.333164
- Title: Learning Mechanically Driven Emergent Behavior with Message Passing
Neural Networks
- Title(参考訳): メッセージパッシングニューラルネットワークによる機械駆動創発行動の学習
- Authors: Peerasait Prachaseree, Emma Lejeune
- Abstract要約: 非対称なBuckling Columnsデータセットを紹介する。
目的は、不安定性の開始後の圧縮下での対称性破壊の方向を分類することである。
GNNモデルアーキテクチャの検討に加えて、異なる入力データ表現アプローチの効果について検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: From designing architected materials to connecting mechanical behavior across
scales, computational modeling is a critical tool in solid mechanics. Recently,
there has been a growing interest in using machine learning to reduce the
computational cost of physics-based simulations. Notably, while machine
learning approaches that rely on Graph Neural Networks (GNNs) have shown
success in learning mechanics, the performance of GNNs has yet to be
investigated on a myriad of solid mechanics problems. In this work, we examine
the ability of GNNs to predict a fundamental aspect of mechanically driven
emergent behavior: the connection between a column's geometric structure and
the direction that it buckles. To accomplish this, we introduce the Asymmetric
Buckling Columns (ABC) dataset, a dataset comprised of three sub-datasets of
asymmetric and heterogeneous column geometries where the goal is to classify
the direction of symmetry breaking (left or right) under compression after the
onset of instability. Because of complex local geometry, the "image-like" data
representations required for implementing standard convolutional neural network
based metamodels are not ideal, thus motivating the use of GNNs. In addition to
investigating GNN model architecture, we study the effect of different input
data representation approaches, data augmentation, and combining multiple
models as an ensemble. While we were able to obtain good results, we also
showed that predicting solid mechanics based emergent behavior is non-trivial.
Because both our model implementation and dataset are distributed under
open-source licenses, we hope that future researchers can build on our work to
create enhanced mechanics-specific machine learning pipelines for capturing the
behavior of complex geometric structures.
- Abstract(参考訳): 設計された材料からスケールをまたいだ機械的挙動まで、計算モデリングは固体力学において重要なツールである。
近年、物理学に基づくシミュレーションの計算コストを削減するために機械学習の利用への関心が高まっている。
特に、グラフニューラルネットワーク(GNN)に依存する機械学習アプローチは、学習力学において成功している一方で、GNNのパフォーマンスは、無数の固体力学問題に関してまだ調査されていない。
本研究では,GNNが機械的に駆動される創発的行動の基本的な側面,すなわち柱の幾何学構造と座屈する方向との接続を予測できる能力について検討する。
これを実現するために、非対称および不均一な列ジオメトリの3つのサブデータセットからなる非対称バッキングカラム(ABC)データセットを導入し、不安定性の開始後の圧縮下での対称性破壊(左右)の方向を分類する。
複雑な局所幾何学のため、標準畳み込みニューラルネットワークベースのメタモデルを実装するのに必要な「画像のような」データ表現は理想的ではない。
gnnモデルアーキテクチャの研究に加えて、様々な入力データ表現アプローチ、データ拡張、および複数のモデルをアンサンブルとして組み合わせた効果について検討する。
良い結果が得られる一方で、固体力学に基づく創発行動を予測することは簡単ではないことも示しました。
私たちのモデル実装とデータセットはどちらもオープンソースライセンスの下で配布されているので、将来の研究者は、複雑な幾何学的構造の振る舞いを捉えるために、機械特有の機械学習パイプラインを構築するために、我々の研究を基盤として開発できることを願っています。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - 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) - A quatum inspired neural network for geometric modeling [14.214656118952178]
本稿では,MPSベースのメッセージパッシング戦略を提案する。
本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。
これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
論文 参考訳(メタデータ) (2024-01-03T15:59:35Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳(メタデータ) (2023-12-12T18:44:19Z) - Predicting and Interpreting Energy Barriers of Metallic Glasses with
Graph Neural Networks [43.26868436093931]
グラフニューラルネットワーク(GNN)を用いて、原子グラフ構造をモデル化し、その構造と対応する局所エネルギー障壁との間の接続を研究する。
我々の重要な貢献の一つは、エネルギー障壁を予測するための新しいSymmetrized GNN(SymGNN)モデルを提案することである。
我々はSymGNNが他のGNNや非グラフ機械学習モデルよりもエネルギー障壁予測を大幅に改善できることを実験で実証した。
論文 参考訳(メタデータ) (2023-12-08T04:27:11Z) - Torsion Graph Neural Networks [21.965704710488232]
解析的トーション強化グラフニューラルネットワークモデルであるTorGNNを提案する。
われわれのTorGNNでは,各エッジに対して対応する局所単体複合体を同定し,解析トーションを算出する。
我々のTorGNNは両方のタスクにおいて優れた性能を達成でき、様々な最先端モデルより優れていることが判明した。
論文 参考訳(メタデータ) (2023-06-23T15:02:23Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - Sample Efficient Dynamics Learning for Symmetrical Legged
Robots:Leveraging Physics Invariance and Geometric Symmetries [14.848950116410231]
本稿では,基礎となるロボットシステムにおける対称性を利用したダイナミクスの学習手法を提案する。
ベクトル空間における全てのデータを表す既存のフレームワークは、ロボットの構造化情報を考えるのに失敗する。
論文 参考訳(メタデータ) (2022-10-13T19:57:46Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Learning the nonlinear dynamics of soft mechanical metamaterials with
graph networks [3.609538870261841]
ソフトメカニカルメタマテリアルの力学を研究する機械学習手法を提案する。
提案手法は直接数値シミュレーションと比較して計算コストを大幅に削減することができる。
論文 参考訳(メタデータ) (2022-02-24T00:20:28Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z)
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。