論文の概要: Graph Neural Stochastic Differential Equations for Learning Brownian Dynamics

• arxiv url: http://arxiv.org/abs/2306.11435v1
• Date: Tue, 20 Jun 2023 10:30:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 14:42:52.022250
• Title: Graph Neural Stochastic Differential Equations for Learning Brownian Dynamics
• Title（参考訳）: ブラウン力学学習のためのグラフニューラル確率微分方程式
• Authors: Suresh Bishnoi, Jayadeva, Sayan Ranu, N. M. Anoop Krishnan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.362339104761225
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Neural networks (NNs) that exploit strong inductive biases based on physical laws and symmetries have shown remarkable success in learning the dynamics of physical systems directly from their trajectory. However, these works focus only on the systems that follow deterministic dynamics, for instance, Newtonian or Hamiltonian dynamics. Here, we propose a framework, namely Brownian graph neural networks (BROGNET), combining stochastic differential equations (SDEs) and GNNs to learn Brownian dynamics directly from the trajectory. We theoretically show that BROGNET conserves the linear momentum of the system, which in turn, provides superior performance on learning dynamics as revealed empirically. We demonstrate this approach on several systems, namely, linear spring, linear spring with binary particle types, and non-linear spring systems, all following Brownian dynamics at finite temperatures. We show that BROGNET significantly outperforms proposed baselines across all the benchmarked Brownian systems. In addition, we demonstrate zero-shot generalizability of BROGNET to simulate unseen system sizes that are two orders of magnitude larger and to different temperatures than those used during training. Altogether, our study contributes to advancing the understanding of the intricate dynamics of Brownian motion and demonstrates the effectiveness of graph neural networks in modeling such complex systems.
• Abstract（参考訳）: 物理法則と対称性に基づく強い帰納的バイアスを利用するニューラルネットワーク(nns)は、その軌道から直接物理システムのダイナミクスを学ぶことに顕著な成功を示している。 しかし、これらの研究は、例えばニュートン力学やハミルトニアン力学など、決定論的ダイナミクスに従うシステムのみに焦点を当てている。 本稿では,確率微分方程式 (sdes) と gnn を組み合わせたブラウングラフニューラルネットワーク (brognet) を提案する。 理論的には、BROGNETはシステムの線形運動量を保持しており、経験的に明らかなような学習力学における優れた性能を提供する。 このアプローチは、線形ばね、二進粒子型線形ばね、非線形ばね系などいくつかの系で実証され、全て有限温度におけるブラウン力学に従っている。 BROGNETは、ベンチマークされたすべてのブラウン系システムで提案されたベースラインを著しく上回っている。 さらに,ブログネットのゼロショット一般化性を実証し,2桁の大きさで,トレーニング中に使用したものとは異なる温度のシステムサイズをシミュレートする。 本研究はブラウン運動の複雑なダイナミクスの理解の促進に寄与し,複雑なシステムのモデリングにおけるグラフニューラルネットワークの有効性を実証する。

関連論文リスト

• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Graph Neural Reaction Diffusion Models [14.164952387868341]
  本稿では,ニューラルRDシステムに基づく反応GNNの新たなファミリーを提案する。 本稿では,RDGNNの理論的特性とその実装について論じるとともに,最先端手法の競争性能を向上させるか,提供するかを示す。
  論文  参考訳（メタデータ） (2024-06-16T09:46:58Z)
• 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)
• Physically Consistent Neural ODEs for Learning Multi-Physics Systems [0.0]
  本稿では, 可逆ポート・ハミルトニアンシステム (IPHS) の枠組みを利用する。 データからパラメータを学習するために,PC-NODE(Physically Consistent NODE)を提案する。 提案手法の有効性を実世界の実測値から建物熱力学を学習し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-11T11:20:35Z)
• 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 the Dynamics of Particle-based Systems with Lagrangian Graph Neural Networks [5.560715621814096]
  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。
  論文  参考訳（メタデータ） (2022-09-03T18:38:17Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
  Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。 我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
  論文  参考訳（メタデータ） (2022-02-28T22:54:39Z)
• 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)

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。