論文の概要: Latent Field Discovery In Interacting Dynamical Systems With Neural Fields
- arxiv url: http://arxiv.org/abs/2310.20679v2
- Date: Wed, 20 Mar 2024 16:05:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 22:27:37.261370
- Title: Latent Field Discovery In Interacting Dynamical Systems With Neural Fields
- Title(参考訳): ニューラルネットワークを用いた相互作用力学系における潜場発見
- Authors: Miltiadis Kofinas, Erik J. Bekkers, Naveen Shankar Nagaraja, Efstratios Gavves,
- Abstract要約: 我々は、フィールドの発見に集中し、観察されたダイナミクスからのみそれらを推測する。
我々は、同変グラフネットワークと相互作用を結合し、場力を統合する新しいグラフネットワークにおいて、それらをニューラルネットワークと組み合わせる。
実験の結果,荷電粒子の設定,交通シーン,重力n体問題などの基礎となるフィールドを正確に発見できることが判明した。
- 参考スコア(独自算出の注目度): 34.02700914882451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Systems of interacting objects often evolve under the influence of field effects that govern their dynamics, yet previous works have abstracted away from such effects, and assume that systems evolve in a vacuum. In this work, we focus on discovering these fields, and infer them from the observed dynamics alone, without directly observing them. We theorize the presence of latent force fields, and propose neural fields to learn them. Since the observed dynamics constitute the net effect of local object interactions and global field effects, recently popularized equivariant networks are inapplicable, as they fail to capture global information. To address this, we propose to disentangle local object interactions -- which are $\mathrm{SE}(n)$ equivariant and depend on relative states -- from external global field effects -- which depend on absolute states. We model interactions with equivariant graph networks, and combine them with neural fields in a novel graph network that integrates field forces. Our experiments show that we can accurately discover the underlying fields in charged particles settings, traffic scenes, and gravitational n-body problems, and effectively use them to learn the system and forecast future trajectories.
- Abstract(参考訳): 相互作用する物体のシステムは、その力学を支配する場効果の影響の下でしばしば進化するが、以前の研究はそのような効果から切り離され、系は真空の中で進化すると考えられている。
本研究では,これらの分野の発見に焦点をあて,直接観察することなく,観測された力学からのみ推論する。
我々は、潜伏力場の存在を理論化し、それらを学ぶためにニューラルネットワークを提案する。
観測されたダイナミクスは、局所的なオブジェクト相互作用と大域的なフィールド効果のネット効果を構成するため、最近普及した同変ネットワークは、グローバル情報を捕捉できないため、適用できない。
これを解決するために、我々は、絶対状態に依存する外部のグローバル場効果から、$\mathrm{SE}(n)$同変で、相対状態に依存する局所的なオブジェクト相互作用を解き放つことを提案する。
我々は、同変グラフネットワークとの相互作用をモデル化し、場力を統合する新しいグラフネットワークにおいて、それらをニューラルネットワークと組み合わせる。
実験の結果,荷電粒子の設定,交通シーン,重力n体問題などの基礎となる領域を正確に把握し,システム学習や将来の軌道予測に有効に活用できることが判明した。
関連論文リスト
- Neural force functional for non-equilibrium many-body colloidal systems [0.20971479389679337]
パワー関数理論と機械学習を組み合わせて、コロイド粒子の非平衡過剰多体系を研究する。
まず、ブラウン粒子のコンピュータシミュレーションから、一体場を定常にサンプリングする。
ニューラルネットワークは、このデータを用いて訓練され、一体密度と速度プロファイルから一体の内部力場への公式な正確に機能的なマッピングを宇宙空間で局所的に表現する。
論文 参考訳(メタデータ) (2024-06-05T19:57:23Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳(メタデータ) (2023-10-23T00:44:17Z) - Machine learning the interaction network in coupled dynamical systems [0.0]
相互作用する粒子の集合において、相互作用ネットワークは、様々なコンポーネントが相互にどのように相互作用するかに関する情報を含んでいる。
本研究では,対話ネットワークの回復とエージェントのダイナミクスの予測という2つの結果を達成するために,自己教師型ニューラルネットワークモデルを用いる。
論文 参考訳(メタデータ) (2023-10-05T08:29:00Z) - Learning Heterogeneous Interaction Strengths by Trajectory Prediction
with Graph Neural Network [0.0]
地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。
本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
論文 参考訳(メタデータ) (2022-08-28T09:13:33Z) - Information is Power: Intrinsic Control via Information Capture [110.3143711650806]
我々は,潜時状態空間モデルを用いて推定したエージェントの状態訪問のエントロピーを最小化する,コンパクトで汎用的な学習目的を論じる。
この目的は、不確実性の低減に対応する環境情報収集と、将来の世界状態の予測不可能性の低減に対応する環境制御の両方をエージェントに誘導する。
論文 参考訳(メタデータ) (2021-12-07T18:50:42Z) - GINA: Neural Relational Inference From Independent Snapshots [0.0]
本稿では,遅延相互作用グラフを同時に学習するグラフニューラルネットワーク(GNN)を提案し,ノードの可観測状態の予測を行う。
GINAは、すべての潜在的なグラフの中で、基底真理相互作用グラフは、隣人の状態を考えると、最も高い精度でノードの状態を予測することができるという仮説に基づいている。
論文 参考訳(メタデータ) (2021-05-29T15:42:33Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳(メタデータ) (2021-04-08T20:01:00Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳(メタデータ) (2020-07-01T17:29:57Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳(メタデータ) (2020-04-28T17:06:38Z)
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。