論文の概要: Symmetry Group Equivariant Architectures for Physics

• arxiv url: http://arxiv.org/abs/2203.06153v1
• Date: Fri, 11 Mar 2022 18:27:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 14:17:27.847123
• Title: Symmetry Group Equivariant Architectures for Physics
• Title（参考訳）: 物理学のための対称群同変構造
• Authors: Alexander Bogatskiy, Sanmay Ganguly, Thomas Kipf, Risi Kondor, David W. Miller, Daniel Murnane, Jan T. Offermann, Mariel Pettee, Phiala Shanahan, Chase Shimmin, Savannah Thais
• Abstract要約: 機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
• 参考スコア（独自算出の注目度）: 52.784926970374556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical theories grounded in mathematical symmetries are an essential component of our understanding of a wide range of properties of the universe. Similarly, in the domain of machine learning, an awareness of symmetries such as rotation or permutation invariance has driven impressive performance breakthroughs in computer vision, natural language processing, and other important applications. In this report, we argue that both the physics community and the broader machine learning community have much to understand and potentially to gain from a deeper investment in research concerning symmetry group equivariant machine learning architectures. For some applications, the introduction of symmetries into the fundamental structural design can yield models that are more economical (i.e. contain fewer, but more expressive, learned parameters), interpretable (i.e. more explainable or directly mappable to physical quantities), and/or trainable (i.e. more efficient in both data and computational requirements). We discuss various figures of merit for evaluating these models as well as some potential benefits and limitations of these methods for a variety of physics applications. Research and investment into these approaches will lay the foundation for future architectures that are potentially more robust under new computational paradigms and will provide a richer description of the physical systems to which they are applied.
• Abstract（参考訳）: 数学的対称性を基礎とする物理理論は、宇宙の幅広い性質を理解する上で不可欠な要素である。 同様に、機械学習の領域では、回転や置換不変性などの対称性の認識が、コンピュータビジョン、自然言語処理、その他の重要な応用において印象的なパフォーマンスブレークスルーを引き起こしている。 本報告では,物理コミュニティと広い機械学習コミュニティの両方が,対称性群同変機械学習アーキテクチャの研究に深く投資することで,理解し,潜在的に得られることを議論する。 基本的な構造設計への対称性の導入は、より経済的(すなわち、より少ないがより表現力のある、学習されたパラメータを含む)、解釈可能(より説明可能または物理的量に直接対応可能)、および/または訓練可能(すなわち、データと計算要求の両方においてより効率的)のモデルを生み出すことができる。 我々はこれらのモデルを評価する上での様々なメリットと、これらの手法の様々な物理応用に対する潜在的な利点と限界について論じる。 これらのアプローチに対する研究と投資は、新しい計算パラダイムの下でより堅牢になり得る将来のアーキテクチャの基礎を築き、それらを適用する物理システムのより豊かな記述を提供する。

関連論文リスト

• Optimal Equivariant Architectures from the Symmetries of Matrix-Element Likelihoods [0.0]
  マトリックス要素法(MEM)は長年、高エネルギー物理学におけるデータ解析の基盤となっている。 幾何学的なディープラーニングは、既知の対称性を直接設計に組み込むニューラルネットワークアーキテクチャを可能にした。 本稿では、MEMにインスパイアされた対称性と、粒子物理解析のための同変ニューラルネットワーク設計を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-24T08:56:37Z)
• Understanding the differences in Foundation Models: Attention, State Space Models, and Recurrent Neural Networks [50.29356570858905]
  本稿では,これらすべてのアーキテクチャの共通表現に関する原則的な調査を可能にする動的システムフレームワーク(DSF)について紹介する。 ソフトマックスアテンションと他のモデルクラスとの原理的比較を行い、ソフトマックスアテンションを近似できる理論条件について議論する。 このことは、DSFが将来のより効率的でスケーラブルな基盤モデルの体系的な開発を導く可能性を示している。
  論文  参考訳（メタデータ） (2024-05-24T17:19:57Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• MeLM, a generative pretrained language modeling framework that solves forward and inverse mechanics problems [0.0]
  本稿では, 様々な非線形前方・逆問題の解法として, フレキシブルなマルチモーダル力学言語モデル, MeLM を適用する。 このフレームワークは、バイオインスパイアされた階層的ハニカム設計やカーボンナノチューブ力学など、様々な例に適用されている。
  論文  参考訳（メタデータ） (2023-06-30T10:28:20Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• 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)
• Symmetry-Based Representations for Artificial and Biological General Intelligence [4.39338211982718]
  対称性変換は、よい表現となるものを探すための基本的な原理であると主張する。 対称性は機械学習でも注目され始めており、より多くのデータ効率と一般化可能なアルゴリズムが生まれている。 脳における表現学習における対称性変換の重要性の最初の実証は、神経科学において始まっている。
  論文  参考訳（メタデータ） (2022-03-17T11:18:34Z)
• Geometric Algebra Attention Networks for Small Point Clouds [0.0]
  物理科学における問題は、2次元または3次元空間における比較的小さな点集合を扱う。 これらの小点雲上での深層学習のための回転・置換同変アーキテクチャを提案する。 物理, 化学, 生物学に関連するサンプル問題を, モデルを用いて解くことにより, これらのアーキテクチャの有用性を実証する。
  論文  参考訳（メタデータ） (2021-10-05T22:52:12Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• Generalization capabilities of translationally equivariant neural networks [0.0]
  本研究では,2次元格子上の複素スカラー場理論に着目し,群同変畳み込みニューラルネットワークアーキテクチャの利点について検討する。 有意義な比較のために、同値および非同値ニューラルネットワークアーキテクチャを体系的に探索し、様々な回帰および分類タスクに適用する。 我々の最善の同変アーキテクチャは、それらの非同変アーキテクチャよりも相当よく機能し、一般化できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T18:53:36Z)

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。