論文の概要: Monte Carlo Physarum Machine: Characteristics of Pattern Formation in
Continuous Stochastic Transport Networks
- arxiv url: http://arxiv.org/abs/2204.01256v1
- Date: Mon, 4 Apr 2022 05:54:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 16:27:28.786326
- Title: Monte Carlo Physarum Machine: Characteristics of Pattern Formation in
Continuous Stochastic Transport Networks
- Title（参考訳）: monte carlo physarum machine: 連続確率輸送ネットワークにおけるパターン形成の特徴
- Authors: Oskar Elek and Joseph N. Burchett and J. Xavier Prochaska and Angus G.
Forbes
- Abstract要約: 本稿では,モンテカルロ・フィザラム・マシンについて,スパース2次元データと3次元データから連続輸送ネットワークを再構築するのに適した計算モデルを提案する。
我々は、MCPMとジョーンズの理論的根拠に関する研究を比較し、宇宙におけるガスとダークマターの大規模分布を再構築するために設計されたタスク固有の変種を記述した。
- 参考スコア（独自算出の注目度）: 4.919385975609114
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present Monte Carlo Physarum Machine: a computational model suitable for
reconstructing continuous transport networks from sparse 2D and 3D data. MCPM
is a probabilistic generalization of Jones's 2010 agent-based model for
simulating the growth of Physarum polycephalum slime mold. We compare MCPM to
Jones's work on theoretical grounds, and describe a task-specific variant
designed for reconstructing the large-scale distribution of gas and dark matter
in the Universe known as the Cosmic web. To analyze the new model, we first
explore MCPM's self-patterning behavior, showing a wide range of continuous
network-like morphologies -- called "polyphorms" -- that the model produces
from geometrically intuitive parameters. Applying MCPM to both simulated and
observational cosmological datasets, we then evaluate its ability to produce
consistent 3D density maps of the Cosmic web. Finally, we examine other
possible tasks where MCPM could be useful, along with several examples of
fitting to domain-specific data as proofs of concept.
- Abstract（参考訳）: 本稿では,2次元データと3次元データから連続輸送ネットワークを再構築するのに適した計算モデルモンテカルロ・フィザラム・マシンを提案する。
MCPMは、Physarum polycephalum slime moldの成長をシミュレートする、Jonesの2010年のエージェントベースモデルの確率的一般化である。
我々はmcpmとジョーンズの理論的根拠の比較を行い、宇宙におけるガスとダークマターの大規模な分布を再構成するために設計されたタスク固有の変種を記述した。
新しいモデルを分析するために、我々はまずmcpmの自己パターン化挙動を探求し、このモデルが幾何学的に直感的なパラメータから生成する、幅広い連続ネットワーク様形態論("polyphorm"と呼ばれる)を示す。
MCPMをシミュレーションと観測の両方に応用し、宇宙Webの一貫性のある3次元密度マップを作成する能力を評価する。
最後に、MCPMが有用である可能性のある他のタスクと、概念実証としてドメイン固有データに適合するいくつかの例について検討する。
関連論文リスト
- Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Reconstructing Galaxy Cluster Mass Maps using Score-based Generative Modeling [9.386611764730791]
本稿では,銀河団のガス・ダークマター投影密度マップをスコアベース生成モデルを用いて再構成する手法を提案する。
拡散モデルでは, 模擬SZおよびX線像を条件付き観測として捉え, 学習データ後部からのサンプリングにより, 対応するガスおよびダークマターマップの実現を図っている。
論文 参考訳（メタデータ） (2024-10-03T18:00:03Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Object based Bayesian full-waveform inversion for shear elastography [0.0]
組織中の異常画像のせん断エラストグラフィーにおける不確かさを定量化する計算手法を開発した。
パラメータフィールドの後方確率は異常の幾何とそのせん断率を表わす。
滑らかで不規則な形状の合成2次元試験に対するアプローチを実証する。
論文 参考訳（メタデータ） (2023-05-11T08:25:25Z) - Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。
我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
論文 参考訳（メタデータ） (2023-05-02T01:07:22Z) - 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。
また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
論文 参考訳（メタデータ） (2023-03-21T17:58:49Z) - GNPM: Geometric-Aware Neural Parametric Models [6.620111952225635]
本研究では,データの局所的構造を考慮し,ゆがんだ形状を学習し,4次元力学の潜在空間を呈する学習パラメトリックモデルを提案する。
我々は、人間の様々なデータセット上でGNPMを評価し、訓練中に高密度の通信を必要とする最先端の手法に匹敵する性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-09-21T19:23:31Z) - 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) - Characterizing the Latent Space of Molecular Deep Generative Models with
Persistent Homology Metrics [21.95240820041655]
変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。
本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
論文 参考訳（メタデータ） (2020-10-18T13:33:02Z) - State preparation and measurement in a quantum simulation of the O(3)
sigma model [65.01359242860215]
我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。
本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。
非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
論文 参考訳（メタデータ） (2020-06-28T23:44:12Z)
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。