論文の概要: Equivariant Spatio-Temporal Attentive Graph Networks to Simulate Physical Dynamics
- arxiv url: http://arxiv.org/abs/2405.12868v1
- Date: Tue, 21 May 2024 15:33:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 12:50:33.585340
- Title: Equivariant Spatio-Temporal Attentive Graph Networks to Simulate Physical Dynamics
- Title（参考訳）: 物理力学をシミュレートする等変時空間減衰グラフネットワーク
- Authors: Liming Wu, Zhichao Hou, Jirui Yuan, Yu Rong, Wenbing Huang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 32.115887916401036
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning to represent and simulate the dynamics of physical systems is a crucial yet challenging task. Existing equivariant Graph Neural Network (GNN) based methods have encapsulated the symmetry of physics, \emph{e.g.}, translations, rotations, etc, leading to better generalization ability. Nevertheless, their frame-to-frame formulation of the task overlooks the non-Markov property mainly incurred by unobserved dynamics in the environment. In this paper, we reformulate dynamics simulation as a spatio-temporal prediction task, by employing the trajectory in the past period to recover the Non-Markovian interactions. We propose Equivariant Spatio-Temporal Attentive Graph Networks (ESTAG), an equivariant version of spatio-temporal GNNs, to fulfill our purpose. At its core, we design a novel Equivariant Discrete Fourier Transform (EDFT) to extract periodic patterns from the history frames, and then construct an Equivariant Spatial Module (ESM) to accomplish spatial message passing, and an Equivariant Temporal Module (ETM) with the forward attention and equivariant pooling mechanisms to aggregate temporal message. We evaluate our model on three real datasets corresponding to the molecular-, protein- and macro-level. Experimental results verify the effectiveness of ESTAG compared to typical spatio-temporal GNNs and equivariant GNNs.
- Abstract（参考訳）: 物理的なシステムのダイナミクスを表現し、シミュレートすることを学ぶことは、非常に難しい課題です。
既存の同変グラフニューラルネットワーク(GNN)に基づく手法は、物理の対称性、 \emph{e g } 、翻訳、回転等をカプセル化しており、より優れた一般化能力をもたらす。
それでも、そのタスクのフレーム・ツー・フレームの定式化は、主に環境の観測されていないダイナミクスによって引き起こされる非マルコフ性を見落としている。
本稿では、過去の軌道を用いて非マルコフ相互作用を復元することにより、時空間予測タスクとしてダイナミクスシミュレーションを再構成する。
我々は,時空間GNNの同変版であるEquivariant Spatio-Temporal Attentive Graph Networks (ESTAG)を提案する。
その中核となるのは、歴史フレームから周期パターンを抽出し、空間的メッセージパッシングを実現するための等変空間モジュール(ESM)を構築するための新しい等変離散フーリエ変換(EDFT)と、前向きの注意と等変プール機構を備えた等変時変時間モジュール(ETM)を設計し、時間的メッセージを集約する。
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。
ESTAGの有効性は, 典型的な時空間GNNおよび同変GNNと比較して検証した。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Spacetime $E(n)$-Transformer: Equivariant Attention for Spatio-temporal Graphs [0.0]
時空$E(n)$-transformer (SET) は対称性のない純粋に空間的および時間的モデルより優れていることを示す。
基礎となる領域対称性を活用することで、グラフ上のモデリングシステムに大きな改善がもたらされることを実証する。
論文 参考訳（メタデータ） (2024-08-12T10:13:45Z) - Relaxing Continuous Constraints of Equivariant Graph Neural Networks for Physical Dynamics Learning [39.25135680793105]
離散同変グラフニューラルネットワーク(DEGNN)を提案する。
具体的には、幾何学的特徴を置換不変な埋め込みに変換することによって、このような離散同変メッセージパッシングを構築することができることを示す。
DEGNNはデータ効率が良く、少ないデータで学習でき、観測不能な向きなどのシナリオをまたいで一般化できることを示す。
論文 参考訳（メタデータ） (2024-06-24T03:37:51Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
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。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳（メタデータ） (2023-05-22T13:39:44Z) - Spatial Attention Kinetic Networks with E(n)-Equivariance [0.951828574518325]
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。
論文 参考訳（メタデータ） (2023-01-21T05:14:29Z) - 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) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:08:44Z)
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。