論文の概要: Equivariant Graph Neural Operator for Modeling 3D Dynamics

• arxiv url: http://arxiv.org/abs/2401.11037v2
• Date: Sun, 2 Jun 2024 04:43:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-04 19:32:36.978590
• Title: Equivariant Graph Neural Operator for Modeling 3D Dynamics
• Title（参考訳）: 3次元ダイナミクスモデリングのための等変グラフニューラル演算子
• Authors: Minkai Xu, Jiaqi Han, Aaron Lou, Jean Kossaifi, Arvind Ramanathan, Kamyar Azizzadenesheli, Jure Leskovec, Stefano Ermon, Anima Anandkumar,
• Abstract要約: 我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
• 参考スコア（独自算出の注目度）: 148.98826858078556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling the complex three-dimensional (3D) dynamics of relational systems is an important problem in the natural sciences, with applications ranging from molecular simulations to particle mechanics. Machine learning methods have achieved good success by learning graph neural networks to model spatial interactions. However, these approaches do not faithfully capture temporal correlations since they only model next-step predictions. In this work, we propose Equivariant Graph Neural Operator (EGNO), a novel and principled method that directly models dynamics as trajectories instead of just next-step prediction. Different from existing methods, EGNO explicitly learns the temporal evolution of 3D dynamics where we formulate the dynamics as a function over time and learn neural operators to approximate it. To capture the temporal correlations while keeping the intrinsic SE(3)-equivariance, we develop equivariant temporal convolutions parameterized in the Fourier space and build EGNO by stacking the Fourier layers over equivariant networks. EGNO is the first operator learning framework that is capable of modeling solution dynamics functions over time while retaining 3D equivariance. Comprehensive experiments in multiple domains, including particle simulations, human motion capture, and molecular dynamics, demonstrate the significantly superior performance of EGNO against existing methods, thanks to the equivariant temporal modeling. Our code is available at https://github.com/MinkaiXu/egno.
• Abstract（参考訳）: 関係系の複雑な3次元力学をモデル化することは、分子シミュレーションから粒子力学まで、自然科学において重要な問題である。 機械学習手法は、空間的相互作用をモデル化するグラフニューラルネットワークを学習することで、大きな成功を収めている。 しかし、これらの手法は次のステップの予測のみをモデル化するため、時間的相関を忠実に捉えない。 本研究では,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化する新しい,原理的手法であるEquivariant Graph Neural Operator (EGNO)を提案する。 既存の手法と異なり、EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに力学を関数として定式化し、ニューラルネットワークを学習して近似する。 固有SE(3)-等分散を保ちながら時間相関を捉えるために、フーリエ空間でパラメータ化された同変時間畳み込みを開発し、同変ネットワーク上にフーリエ層を積み重ねてEGNOを構築する。 EGNOは3次元の等価性を保ちながら、時間とともに解のダイナミクスをモデル化できる最初の演算子学習フレームワークである。 粒子シミュレーション、ヒトのモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、同変時間モデルにより、既存の手法に比べてEGNOの著しく優れた性能を示す。 私たちのコードはhttps://github.com/MinkaiXu/egno.comで公開されています。

関連論文リスト

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Equivariant Spatio-Temporal Attentive Graph Networks to Simulate Physical Dynamics [32.115887916401036]
  本研究では,物理系の力学を表現・シミュレートするFourier-temporal GNNの同変版を開発する。 分子レベル,タンパク質レベル,マクロレベルに対応する3つの実データセットについて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2024-05-21T15:33:21Z)
• Dynamic Tensor Decomposition via Neural Diffusion-Reaction Processes [24.723536390322582]
  テンソル分解は マルチウェイデータ解析の 重要なツールです 動的EMbedIngs fOr Dynamic Algorithm dEcomposition (DEMOTE)を提案する。 シミュレーション研究と実世界の応用の両方において,本手法の利点を示す。
  論文  参考訳（メタデータ） (2023-10-30T15:49:45Z)
• Learning Lagrangian Fluid Mechanics with E($3$)-Equivariant Graph Neural Networks [2.1401663582288144]
  同変グラフニューラルネットワークは、より正確な動的相互作用モデルを学ぶことができる。 本研究では, テイラー・グリーン渦の3次元崩壊とポアゼイユ流の3次元逆流の2つのよく研究された流れ系をベンチマークした。 現在、トレーニングと評価がかなり遅いが、提案した履歴埋め込みの同変モデルは、より正確な物理的相互作用を学習する。
  論文  参考訳（メタデータ） (2023-05-24T22:26:38Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• E($3$) Equivariant Graph Neural Networks for Particle-Based Fluid Mechanics [2.1401663582288144]
  等変グラフニューラルネットワークは、より正確な動的相互作用モデルを学ぶことができることを示した。 3次元崩壊するテイラー・グリーン渦と3次元逆ポアゼイユ流の2つのよく研究された流れ系をベンチマークした。
  論文  参考訳（メタデータ） (2023-03-31T21:56:35Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• 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)

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。