論文の概要: Dynami-CAL GraphNet: A Physics-Informed Graph Neural Network Conserving Linear and Angular Momentum for Dynamical Systems

• arxiv url: http://arxiv.org/abs/2501.07373v1
• Date: Mon, 13 Jan 2025 14:41:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:20:26.263582
• Title: Dynami-CAL GraphNet: A Physics-Informed Graph Neural Network Conserving Linear and Angular Momentum for Dynamical Systems
• Title（参考訳）: Dynami-CAL GraphNet: 動的システムのための線形および角運動量を含む物理インフォームドグラフニューラルネットワーク
• Authors: Vinay Sharma, Olga Fink,
• Abstract要約: Dynami-CAL GraphNetは、複雑な多体力学系の正確、解釈可能、リアルタイムモデリングを提供する。 基本的な保存法則に従う物理的に一貫性があり、スケーラブルな予測を提供する。 これは、異種相互作用と外部力の効率よく処理しながら、力とモーメントの推測を可能にする。
• 参考スコア（独自算出の注目度）: 7.59660604072964
• License:
• Abstract: Accurate, interpretable, and real-time modeling of multi-body dynamical systems is essential for predicting behaviors and inferring physical properties in natural and engineered environments. Traditional physics-based models face scalability challenges and are computationally demanding, while data-driven approaches like Graph Neural Networks (GNNs) often lack physical consistency, interpretability, and generalization. In this paper, we propose Dynami-CAL GraphNet, a Physics-Informed Graph Neural Network that integrates the learning capabilities of GNNs with physics-based inductive biases to address these limitations. Dynami-CAL GraphNet enforces pairwise conservation of linear and angular momentum for interacting nodes using edge-local reference frames that are equivariant to rotational symmetries, invariant to translations, and equivariant to node permutations. This design ensures physically consistent predictions of node dynamics while offering interpretable, edge-wise linear and angular impulses resulting from pairwise interactions. Evaluated on a 3D granular system with inelastic collisions, Dynami-CAL GraphNet demonstrates stable error accumulation over extended rollouts, effective extrapolations to unseen configurations, and robust handling of heterogeneous interactions and external forces. Dynami-CAL GraphNet offers significant advantages in fields requiring accurate, interpretable, and real-time modeling of complex multi-body dynamical systems, such as robotics, aerospace engineering, and materials science. By providing physically consistent and scalable predictions that adhere to fundamental conservation laws, it enables the inference of forces and moments while efficiently handling heterogeneous interactions and external forces.
• Abstract（参考訳）: 多体力学系の正確な、解釈可能、リアルタイムなモデリングは、自然および工学的な環境での振る舞いの予測と物理的特性の推測に不可欠である。 従来の物理ベースのモデルはスケーラビリティの課題に直面し、計算的に要求される一方で、グラフニューラルネットワーク(GNN)のようなデータ駆動型アプローチは、物理的一貫性、解釈可能性、一般化を欠いていることが多い。 本稿では,GNNの学習能力と物理に基づく帰納バイアスを統合し,これらの制約に対処する物理インフォームドグラフニューラルネットワークDynami-CAL GraphNetを提案する。 ダイナミ-CALグラフネットは、回転対称性に不変で、翻訳に不変で、ノード置換に等価なエッジ局所参照フレームを用いて、相互作用するノードに対する線形および角運動量のペア保存を行う。 この設計は、対の相互作用から生じる解釈可能、エッジワイド線形および角的インパルスを提供しながら、ノードダイナミクスの物理的に一貫した予測を保証する。 非弾性衝突を伴う3次元グラニュラーシステム上での評価を行い、Dynami-CAL GraphNetは、拡張されたロールアウトよりも安定したエラー蓄積、目に見えない構成への効果的な外挿、異種相互作用と外部力の堅牢なハンドリングを示す。 Dynami-CAL GraphNetは、ロボット工学、航空宇宙工学、材料科学などの複雑な多体力学系の正確、解釈可能、リアルタイムなモデリングを必要とする分野において、大きな利点を提供している。 基本的な保存法則に従う物理的に一貫したスケーラブルな予測を提供することで、不均一な相互作用と外部力の効率よく処理しながら、力とモーメントの推測を可能にする。

関連論文リスト

• 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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations [21.936437653875245]
  本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。 本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。 本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
  論文  参考訳（メタデータ） (2023-02-22T12:59:38Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• 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)
• Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)
• 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)
• Unsupervised Learning of Lagrangian Dynamics from Images for Prediction and Control [12.691047660244335]
  画像からラグランジアン力学を学習する新しい教師なしニューラルネットワークモデルを導入する。 このモデルは、座標対応変分オートエンコーダで同時に学習される一般化座標上でラグランジアン力学を推論する。
  論文  参考訳（メタデータ） (2020-07-03T20:06:43Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Tensor network approaches for learning non-linear dynamical laws [0.0]
  制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。 データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
  論文  参考訳（メタデータ） (2020-02-27T19:02:40Z)

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。