論文の概要: Learning the Dynamics of Particle-based Systems with Lagrangian Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2209.01476v1
• Date: Sat, 3 Sep 2022 18:38:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 15:19:41.821809
• Title: Learning the Dynamics of Particle-based Systems with Lagrangian Graph Neural Networks
• Title（参考訳）: ラグランジアングラフニューラルネットワークを用いた粒子系系のダイナミクスの学習
• Authors: Ravinder Bhattoo, Sayan Ranu and N. M. Anoop Krishnan
• Abstract要約: 粒子系のラグランジアンを直接軌道から学習するために強い帰納バイアスを与える枠組み,すなわちラグランジアングラフニューラルネットワーク(LGnn)を提案する。 訓練されたシステムよりも2桁大きなシステムと、モデルに見つからないハイブリッドシステムのシミュレーションにより、システムのゼロショット一般化性を示す。
• 参考スコア（独自算出の注目度）: 5.560715621814096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical systems are commonly represented as a combination of particles, the individual dynamics of which govern the system dynamics. However, traditional approaches require the knowledge of several abstract quantities such as the energy or force to infer the dynamics of these particles. Here, we present a framework, namely, Lagrangian graph neural network (LGnn), that provides a strong inductive bias to learn the Lagrangian of a particle-based system directly from the trajectory. We test our approach on challenging systems with constraints and drag -- LGnn outperforms baselines such as feed-forward Lagrangian neural network (Lnn) with improved performance. We also show the zero-shot generalizability of the system by simulating systems two orders of magnitude larger than the trained one and also hybrid systems that are unseen by the model, a unique feature. The graph architecture of LGnn significantly simplifies the learning in comparison to Lnn with ~25 times better performance on ~20 times smaller amounts of data. Finally, we show the interpretability of LGnn, which directly provides physical insights on drag and constraint forces learned by the model. LGnn can thus provide a fillip toward understanding the dynamics of physical systems purely from observable quantities.
• Abstract（参考訳）: 物理系は一般に粒子の組合せとして表され、個々の力学が系の力学を支配する。 しかし、伝統的なアプローチでは、これらの粒子の力学を推測するためにエネルギーや力などの抽象的な量の知識を必要とする。 本稿では,粒子系系のラグランジアンを軌道から直接学習するための強い帰納的バイアスを与える,ラグランジアングラフニューラルネットワーク(lgnn)という枠組みを提案する。 我々は、制約とドラッグを伴う挑戦的なシステムに対するアプローチをテストする。LGnnは、フィードフォワードラグランジアンニューラルネットワーク(Lnn)などのベースラインよりもパフォーマンスが向上する。 また,訓練されたシステムよりも2桁大きいシステムと,モデルに認識されないハイブリッドシステムをシミュレートすることにより,システムのゼロショット一般化可能性を示す。 LGnnのグラフアーキテクチャはLnnと比較して学習を著しく単純化し、データの約20倍の性能を持つ。 最後に,モデルによって学習された抵抗力と制約力に関する物理的洞察を直接提供するlgnnの解釈可能性を示す。 したがってlgnnは、純粋に観測可能な量から物理システムのダイナミクスを理解するための補足を提供することができる。

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)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Discovering Symbolic Laws Directly from Trajectories with Hamiltonian Graph Neural Networks [5.824034325431987]
  本稿では,その軌道から系の力学を直接学習するハミルトングラフニューラルネットワーク(HGNN)を提案する。 我々は,n-springs,n-pendulums,重力系,および2進レナード・ジョーンズ系におけるHGNNの性能を示す。
  論文  参考訳（メタデータ） (2023-07-11T14:43:25Z)
• Graph Neural Stochastic Differential Equations for Learning Brownian Dynamics [6.362339104761225]
  そこで本稿では,BROGNET(Brownian Graph Neural Network)というフレームワークを提案する。 我々は,BROGNETがシステムの線形運動量を保存することを示し,学習力学における優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-06-20T10:30:46Z)
• Graph Neural Network-based surrogate model for granular flows [2.153852088624324]
  粒状流速は地すべりや土砂流など,様々な技術的リスクを評価する上で重要である。 従来の連続法と離散法は、大規模システムのシミュレーションにおける計算コストによって制限される。 本研究では,局所的な相互作用法則を学習することにより,粒状流の現在の状態と次の状態を予測するグラフニューラルネットワークベースシミュレータ(GNS)を開発した。
  論文  参考訳（メタデータ） (2023-05-09T07:28:12Z)
• Unravelling the Performance of Physics-informed Graph Neural Networks for Dynamical Systems [5.787429262238507]
  グラフニューラルネットワーク(GNN)とその変種の性能を、明示的な制約と異なるアーキテクチャで評価する。 本研究は, 明示的制約や運動エネルギーとポテンシャルエネルギーの疎結合などの付加的な誘導バイアスを有するGNNが, 性能を著しく向上することを示した。 全ての物理インフォームドGNNは、訓練システムよりも桁違いの大きさのシステムサイズに対してゼロショットの一般化性を示し、大規模な現実的なシステムをシミュレートする有望な経路を提供する。
  論文  参考訳（メタデータ） (2022-11-10T12:29:30Z)
• Learning Rigid Body Dynamics with Lagrangian Graph Neural Network [5.560715621814096]
  ラグランジアングラフニューラルネットワーク(LGNN)を提案し,そのトポロジを利用して剛体の力学を学習する。 本稿では,LGNNを用いて,緊張構造の安定性などの複雑な実世界の構造の力学をモデル化できることを示す。
  論文  参考訳（メタデータ） (2022-09-23T13:41:54Z)
• 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)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Continuous-in-Depth Neural Networks [107.47887213490134]
  まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。 次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。 ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
  論文  参考訳（メタデータ） (2020-08-05T22:54:09Z)
• 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。