論文の概要: A review of graph neural network applications in mechanics-related domains

• arxiv url: http://arxiv.org/abs/2407.11060v1
• Date: Wed, 10 Jul 2024 15:39:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 20:10:21.775036
• Title: A review of graph neural network applications in mechanics-related domains
• Title（参考訳）: メカニクス関連領域におけるグラフニューラルネットワーク応用の展望
• Authors: Yingxue Zhao, Haoran Li, Haosu Zhou, Hamid Reza Attar, Tobias Pfaff, Nan Li,
• Abstract要約: グラフニューラルネットワーク(GNN)は、不規則な基盤構造を持つグラフデータから順応的に学習することで、課題に取り組むための有望なツールとして登場した。 近年、GNNの進歩に触発された複雑な力学関連の応用が急増しているのを目撃している。 本稿では, メカニクス関連領域におけるGNNアプリケーションの詳細な概要について述べる。
• 参考スコア（独自算出の注目度）: 9.109803018514711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mechanics-related problems often present unique challenges in achieving accurate geometric and physical representations, particularly for non-uniform structures. Graph neural networks (GNNs) have emerged as a promising tool to tackle these challenges by adeptly learning from graph data with irregular underlying structures. Consequently, recent years have witnessed a surge in complex mechanics-related applications inspired by the advancements of GNNs. Despite this process, there is a notable absence of a systematic review addressing the recent advancement of GNNs in solving mechanics-related problems. To bridge this gap, this review article aims to provide an in-depth overview of the GNN applications in mechanics-related domains while identifying key challenges and outlining potential future research directions. In this review article, we begin by introducing the fundamental algorithms of GNNs that are widely employed in mechanics-related applications. We provide a concise explanation of their underlying principles to establish a solid understanding that will serve as a basis for exploring the applications of GNNs in mechanics-related domains. The scope of this paper is intended to cover the categorisation of literature into solid mechanics, fluid mechanics, and interdisciplinary mechanics-related domains, providing a comprehensive summary of graph representation methodologies, GNN architectures, and further discussions in their respective subdomains. Additionally, open data and source codes relevant to these applications are summarised for the convenience of future researchers. This article promotes an interdisciplinary integration of GNNs and mechanics and provides a guide for researchers interested in applying GNNs to solve complex mechanics-related problems.
• Abstract（参考訳）: メカニクスに関連した問題は、特に一様でない構造に対して、正確な幾何学的および物理的表現を達成するためのユニークな課題をしばしば提示する。 グラフニューラルネットワーク(GNN)は、不規則な基盤構造を持つグラフデータから順応的に学習することで、これらの課題に対処するための有望なツールとして登場した。 その結果、近年、GNNの進歩に触発された複雑な力学関連の応用が急増している。 このプロセスにもかかわらず、機械関連問題の解決における近年のGNNの進歩に対処する体系的なレビューが欠落している。 このギャップを埋めるために,本稿では,GNN アプリケーションについて,重要な課題を特定し,今後の研究方向性を概説しながら,その詳細を解説する。 本稿では,GNNの基本的アルゴリズムの導入から始める。 我々は,その基礎となる原理を簡潔に説明し,力学関連領域におけるGNNの応用を探求する基盤となる確固たる理解を確立する。 本研究の目的は, 論文をソリッド・メカニクス, 流体力学, 学際的メカニクス関連ドメインに分類し, グラフ表現方法論, GNNアーキテクチャ, および各サブドメインにおけるさらなる議論を包括的にまとめることである。 さらに、これらのアプリケーションに関連するオープンデータとソースコードは、将来の研究者の利便性のために要約される。 本稿では、GNNとメカニクスの学際的な統合を促進し、複雑なメカニクスに関連する問題を解決するためにGNNを適用することに興味のある研究者のためのガイドを提供する。

関連論文リスト

• Beyond Grid Data: Exploring Graph Neural Networks for Earth Observation [26.397297480169858]
  グラフニューラルネットワーク(GNN)は重要なイノベーションとして登場し、非ユークリッド領域にDLを推進している。 GNNは、多様なモダリティ、複数のセンサー、地球観測データの異種性によって引き起こされる課題に効果的に取り組むことができる。 本稿では、気象・気候分析、災害管理、大気質モニタリング、農業、土地被覆分類、水文プロセスモデリング、都市モデルなど、GNNの地球システムにおける科学的問題への応用の幅広い範囲について検討する。
  論文  参考訳（メタデータ） (2024-11-05T16:12:12Z)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Graph Neural Networks for Job Shop Scheduling Problems: A Survey [9.072608705759322]
  ジョブショップスケジューリング問題(JSSP)は、重要な最適化問題である。 近年、JSSPの解決にグラフニューラルネットワーク(GNN)の適用が急速に増加しているのを目撃している。 本稿では,様々な種類のJSSPに対するGNN手法と,それに密接に関連するフローショップスケジューリング問題について,徹底的に検討することを目的とする。
  論文  参考訳（メタデータ） (2024-06-20T08:22:07Z)
• A Survey on Explainability of Graph Neural Networks [4.612101932762187]
  グラフニューラルネットワーク(GNN)は、グラフベースの強力なディープラーニングモデルである。 本調査は,GNNの既存の説明可能性技術の概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2023-06-02T23:36:49Z)
• Renormalized Graph Neural Networks [4.200261123369236]
  グラフニューラルネットワーク(GNN)は、特にグラフとして表される場合、複雑なデータの研究に欠かせないものとなっている。 本稿では,グラフ関連タスクにおけるGNNの性能向上に正規化群理論を適用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T14:16:43Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• GNN-based physics solver for time-independent PDEs [1.7616042687330642]
  時間に依存しない問題は、正確な予測を得るために、計算領域全体にわたる情報の長距離交換を必要とするという課題を生じさせる。 この課題を克服するために、Edge Augmented GNNとMulti-GNNの2つのグラフニューラルネットワーク(GNN)を提案する。 両ネットワークは,時間非依存の固体力学問題に適用した場合,ベースライン法よりも(1.5～2の係数で)有意に優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-03-28T02:04:43Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Graph Neural Networks for Motion Planning [108.51253840181677]
  低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。 臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
  論文  参考訳（メタデータ） (2020-06-11T08:19:06Z)
• Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks [52.76042362922247]
  グラフニューラルネットワーク(GNN)は、非ユークリッドグラフ構造を扱うように設計されている。 既存のGNNは様々な手法を用いて提示され、直接比較と相互参照がより複雑になる。 既存のGNNを空間およびスペクトル領域に整理し、各領域内の接続を公開する。
  論文  参考訳（メタデータ） (2020-02-27T01:15:10Z)

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。