論文の概要: MetaSym: A Symplectic Meta-learning Framework for Physical Intelligence

• arxiv url: http://arxiv.org/abs/2502.16667v1
• Date: Sun, 23 Feb 2025 17:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:55:54.812299
• Title: MetaSym: A Symplectic Meta-learning Framework for Physical Intelligence
• Title（参考訳）: MetaSym: 物理知能のためのシンプレクティックなメタ学習フレームワーク
• Authors: Pranav Vaidhyanathan, Aristotelis Papatheodorou, Mark T. Mitchison, Natalia Ares, Ioannis Havoutis,
• Abstract要約: 本稿では,新しいディープラーニングアーキテクチャ,MetaSymを紹介する。 特に、MetaSymはシンプレクティックエンコーダと自己回帰デコーダから得られる強いシンプレクティックインダクティブバイアスをメタアテンションと組み合わせている。 本研究は, より大規模なモデルを用いて, 数ショット適応下でのモデリング性能を向上し, 最先端のベースラインよりも優れた性能を示すものである。
• 参考スコア（独自算出の注目度）: 8.047222674695288
• License:
• Abstract: Scalable and generalizable physics-aware deep learning has long been considered a significant challenge with various applications across diverse domains ranging from robotics to molecular dynamics. Central to almost all physical systems are symplectic forms, the geometric backbone that underpins fundamental invariants like energy and momentum. In this work, we introduce a novel deep learning architecture, MetaSym. In particular, MetaSym combines a strong symplectic inductive bias obtained from a symplectic encoder and an autoregressive decoder with meta-attention. This principled design ensures that core physical invariants remain intact while allowing flexible, data-efficient adaptation to system heterogeneities. We benchmark MetaSym on highly varied datasets such as a high-dimensional spring mesh system (Otness et al., 2021), an open quantum system with dissipation and measurement backaction, and robotics-inspired quadrotor dynamics. Our results demonstrate superior performance in modeling dynamics under few-shot adaptation, outperforming state-of-the-art baselines with far larger models.
• Abstract（参考訳）: スケーラブルで一般化可能な物理認識型ディープラーニングは、ロボット工学から分子動力学まで、さまざまな分野の様々な応用において、長年にわたって重要な課題と考えられてきた。 ほぼ全ての物理系の中心はシンプレクティック形式であり、エネルギーや運動量のような基本的な不変量を支える幾何学的バックボーンである。 本稿では,新しいディープラーニングアーキテクチャ,MetaSymを紹介する。 特に、MetaSymはシンプレクティックエンコーダと自己回帰デコーダから得られる強いシンプレクティックインダクティブバイアスをメタアテンションと組み合わせている。 この原理的な設計により、コア物理不変量はそのままでありながら、フレキシブルでデータ効率のよいシステム不均一性への適応を可能にする。 我々はMetaSymを高次元スプリングメッシュシステム(Otness et al , 2021)、散逸と測定バックアクションを備えたオープン量子システム、ロボットにインスパイアされた四重項力学などの高度に多様なデータセットでベンチマークした。 本研究は, より大規模なモデルを用いて, 数ショット適応下でのモデリング性能を向上し, 最先端のベースラインよりも優れた性能を示すものである。

関連論文リスト

• Morphological-Symmetry-Equivariant Heterogeneous Graph Neural Network for Robotic Dynamics Learning [31.728300637833748]
  ロボット力学学習のための形態的対称性等価な異種グラフニューラルネットワークMS-HGNNを提案する。 MS-HGNNは、ロボットキネマティック構造と形態的対称性を単一のグラフネットワークに統合する。
  論文  参考訳（メタデータ） (2024-12-02T09:10:37Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Bond Graphs for multi-physics informed Neural Networks for multi-variate time series [6.775534755081169]
  既存の手法は複雑な多分野・多領域現象のタスクには適用されない。 タスク固有モデルに入力可能な多物理インフォームド表現を生成するニューラルボンドグラフ(NBgE)を提案する。
  論文  参考訳（メタデータ） (2024-05-22T12:30:25Z)
• Metalearning generalizable dynamics from trajectories [4.4466356883131155]
  本稿では,解釈可能なメタニューラル常微分方程式 (iMODE) を用いて,パラメータ固有ではない) のダイナミクスを高速に学習する。 iMODE法は物理パラメータを知らずに動的システムインスタンスの力場の機能的変動であるメタ知識を学習する。 We test the whether of the iMODE method on bistable, double pendulum, Van der Pol, Slinky, and reaction-diffusion system。
  論文  参考訳（メタデータ） (2023-01-03T06:04:28Z)
• 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)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• Learning the nonlinear dynamics of soft mechanical metamaterials with graph networks [3.609538870261841]
  ソフトメカニカルメタマテリアルの力学を研究する機械学習手法を提案する。 提案手法は直接数値シミュレーションと比較して計算コストを大幅に削減することができる。
  論文  参考訳（メタデータ） (2022-02-24T00:20:28Z)
• Learning to Simulate Unseen Physical Systems with Graph Neural Networks [13.202870928432045]
  グラフベース物理エンジン(Graph-based Physics Engine)は,物理先行パラメータと物質パラメータを組み込んだ機械学習手法である。 我々は、GPEがトレーニングセットにない異なる特性を持つ材料に一般化できることを実証した。 さらに、モデルに運動量保存の法則を導入することにより、学習の効率性と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2022-01-28T07:56:46Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。