論文の概要: Energy-conserving equivariant GNN for elasticity of lattice architected
metamaterials
- arxiv url: http://arxiv.org/abs/2401.16914v1
- Date: Tue, 30 Jan 2024 11:25:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:19:00.866570
- Title: Energy-conserving equivariant GNN for elasticity of lattice architected
metamaterials
- Title(参考訳): 格子構造メタマテリアルの弾性に対するエネルギー保存同値gnn
- Authors: Ivan Grega, Ilyes Batatia, G\'abor Cs\'anyi, Sri Karlapati, Vikram S.
Deshpande
- Abstract要約: 本稿では,周期的ストラット格子の剛性を予測するために,高次グラフニューラルネットワークモデルを提案する。
モデルの主な特徴は (i) SE(3) の等式と (ii) エネルギーの保存の熱力学則との整合性である。
- 参考スコア(独自算出の注目度): 2.6128355075580645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lattices are architected metamaterials whose properties strongly depend on
their geometrical design. The analogy between lattices and graphs enables the
use of graph neural networks (GNNs) as a faster surrogate model compared to
traditional methods such as finite element modelling. In this work we present a
higher-order GNN model trained to predict the fourth-order stiffness tensor of
periodic strut-based lattices. The key features of the model are (i) SE(3)
equivariance, and (ii) consistency with the thermodynamic law of conservation
of energy. We compare the model to non-equivariant models based on a number of
error metrics and demonstrate the benefits of the encoded equivariance and
energy conservation in terms of predictive performance and reduced training
requirements.
- Abstract(参考訳): 格子は幾何学的設計に強く依存するメタマテリアルである。
格子とグラフの類似により、有限要素モデリングのような従来の手法に比べて高速な代理モデルとしてグラフニューラルネットワーク(GNN)が利用できる。
本研究では,周期的ストラット格子の4次剛性テンソルを予測するために,高次GNNモデルを提案する。
モデルの主な特徴は
(i)SE(3)同値、及び
(ii)エネルギー保存の熱力学的法則との整合性。
モデルと非同変モデルを比較し, 予測性能と学習条件の低減の観点から, 符号化等分散とエネルギー保存の利点を実証する。
関連論文リスト
- On the Completeness of Invariant Geometric Deep Learning Models [24.505897569096476]
不変モデルは、情報的幾何学的特徴を利用して意味のある幾何学的表現を生成することができる。
我々は,GeoNGNNという名前のVanilla DisGNNをネストすることで,E(3)完全不変設計を導入する。
我々の結果は不変モデルの理論的パワーのギャップを埋め、その能力の厳密で包括的な理解に寄与する。
論文 参考訳(メタデータ) (2024-02-07T13:32:53Z) - Predicting and Interpreting Energy Barriers of Metallic Glasses with
Graph Neural Networks [43.26868436093931]
グラフニューラルネットワーク(GNN)を用いて、原子グラフ構造をモデル化し、その構造と対応する局所エネルギー障壁との間の接続を研究する。
我々の重要な貢献の一つは、エネルギー障壁を予測するための新しいSymmetrized GNN(SymGNN)モデルを提案することである。
我々はSymGNNが他のGNNや非グラフ機械学習モデルよりもエネルギー障壁予測を大幅に改善できることを実験で実証した。
論文 参考訳(メタデータ) (2023-12-08T04:27:11Z) - 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) - Stress representations for tensor basis neural networks: alternative
formulations to Finger-Rivlin-Ericksen [0.0]
有限条件下での超弾性変形材料モデリングのための様々なテンソルニューラルネットワークモデルについて検討する。
電位ベースおよび係数ベースのアプローチと異なるキャリブレーション手法を比較した。
9つの変種は、3つの異なる材料に対してノイズとノイズの無いデータセットの両方に対して試験される。
論文 参考訳(メタデータ) (2023-08-21T23:28:26Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - 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) - Continuous-Depth Neural Models for Dynamic Graph Prediction [16.89981677708299]
連続深度グラフニューラルネットワーク(GNN)の枠組みを紹介する。
ニューラルグラフ微分方程式(ニューラルグラフ微分方程式)は、GNNに対抗して形式化される。
その結果、遺伝的制御ネットワークにおけるトラフィック予測や予測など、アプリケーション全体にわたって提案されたモデルの有効性が証明された。
論文 参考訳(メタデータ) (2021-06-22T07:30:35Z) - 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) - Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。
素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
論文 参考訳(メタデータ) (2020-06-08T17:54:43Z) - Learning CHARME models with neural networks [1.5362025549031046]
我々はCHARME(Conditional Heteroscedastic Autoregressive Mixture of Experts)と呼ばれるモデルを考える。
そこで本研究では,NNに基づく自己回帰関数の学習理論を開発した。
論文 参考訳(メタデータ) (2020-02-08T21:51:02Z)
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。