論文の概要: Spatial Attention Kinetic Networks with E(n)-Equivariance
- arxiv url: http://arxiv.org/abs/2301.08893v2
- Date: Tue, 24 Jan 2023 18:01:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 15:15:02.899125
- Title: Spatial Attention Kinetic Networks with E(n)-Equivariance
- Title(参考訳): E(n)-等価性をもつ空間的注意運動ネットワーク
- Authors: Yuanqing Wang and John D. Chodera
- Abstract要約: 回転、翻訳、反射、n次元幾何学空間上の置換と等価なニューラルネットワークは、物理モデリングにおいて有望であることを示している。
本稿では, エッジベクトルの線形結合をニューラルネットワークでパラメトリケートし, 等価性を実現するための, 簡易な代替関数形式を提案する。
E(n)-等価性を持つ空間的注意運動ネットワーク(SAKE)を設計する。
- 参考スコア(独自算出の注目度): 0.951828574518325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural networks that are equivariant to rotations, translations, reflections,
and permutations on n-dimensional geometric space have shown promise in
physical modeling for tasks such as accurately but inexpensively modeling
complex potential energy surfaces to guiding the sampling of complex dynamical
systems or forecasting their time evolution. Current state-of-the-art methods
employ spherical harmonics to encode higher-order interactions among particles,
which are computationally expensive. In this paper, we propose a simple
alternative functional form that uses neurally parametrized linear combinations
of edge vectors to achieve equivariance while still universally approximating
node environments. Incorporating this insight, we design spatial attention
kinetic networks with E(n)-equivariance, or SAKE, which are competitive in
many-body system modeling tasks while being significantly faster.
- Abstract(参考訳): n-次元幾何空間上の回転、変換、反射、置換に同値なニューラルネットワークは、複雑なポテンシャルエネルギー表面を正確かつ安価にモデル化し、複雑な力学系のサンプリングや時間発展を導くといったタスクの物理モデリングにおいて、期待されている。
現在の最先端の手法では、計算コストが高い粒子間の高次相互作用を符号化するために球面調和を用いる。
本稿では,ノード環境を普遍的に近似しながら等価性を達成するために,エッジベクトルの神経パラメータ付き線形結合を用いた簡易な代替関数形式を提案する。
この知見を取り入れた空間的注意運動ネットワークをE(n)-equivariance(SAKE)を用いて設計し、多体モデリングタスクにおいて極めて高速な動作を実現する。
関連論文リスト
- Group-Equivariant Neural Networks with Fusion Diagrams [13.31159358431767]
等変ニューラルネットワークは、空間群の下で変形する様々なテンソル間のテンソル積を用いる。
我々は、SU($2$)-対称量子多体問題のシミュレートに広く用いられている融合図を用いて、新しい等変成分を設計することを提案する。
与えられた局所近傍の粒子に適用すると、核融合ブロックと呼ばれる結果の成分は任意の連続同変関数の普遍近似器であることが示される。
論文 参考訳(メタデータ) (2022-11-14T16:06:59Z) - Implicit Neural Spatial Representations for Time-dependent PDEs [29.404161110513616]
偏微分方程式(PDE)は、しばしば空間的および時間的離散化を必要とする。
伝統的な手法では、格子、メッシュ、点雲などの空間的離散化がしばしば採用されている。
我々は、空間情報をニューラルネットワークの重みに暗黙的に格納する空間離散化の代替として、暗黙的な神経表現を探求する。
提案手法は, 複雑なリメッシングを伴わずに, 精度が高く, メモリ消費が低く, 動的に自由度を割り振る。
論文 参考訳(メタデータ) (2022-09-30T22:46:40Z) - REMuS-GNN: A Rotation-Equivariant Model for Simulating Continuum
Dynamics [0.0]
本稿では,連続体力学系をシミュレーションする回転同変マルチスケールモデルREMuS-GNNを紹介する。
楕円円柱まわりの非圧縮性流れについて,本手法の実証と評価を行った。
論文 参考訳(メタデータ) (2022-05-05T16:20:37Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳(メタデータ) (2022-03-12T14:22:14Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - E(n) Equivariant Graph Neural Networks [86.75170631724548]
本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。
既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
論文 参考訳(メタデータ) (2021-02-19T10:25:33Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Incorporating Symmetry into Deep Dynamics Models for Improved
Generalization [24.363954435050264]
本稿では,畳み込みニューラルネットワークに対称性を組み込むことにより,精度の向上と一般化を提案する。
我々のモデルは、対称性群変換による分布シフトに対して理論的かつ実験的に堅牢である。
画像やテキストアプリケーションと比較して、我々の研究は、高次元システムに同変ニューラルネットワークを適用するための重要なステップである。
論文 参考訳(メタデータ) (2020-02-08T01:28:17Z)
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。