論文の概要: SwarmThinkers: Learning Physically Consistent Atomic KMC Transitions at Scale

• arxiv url: http://arxiv.org/abs/2505.20094v1
• Date: Mon, 26 May 2025 15:04:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.540411
• Title: SwarmThinkers: Learning Physically Consistent Atomic KMC Transitions at Scale
• Title（参考訳）: SwarmThinkers: 物理的に一貫性のある原子MC遷移を大規模に学習する
• Authors: Qi Li, Kun Li, Haozhi Han, Honghui Shang, Xinfu He, Yunquan Zhang, Hong An, Ting Cao, Mao Yang,
• Abstract要約: 我々は,原子スケールシミュレーションをSwarmインテリジェンスシステムとして再放送する強化学習フレームワークであるSwarmThinkersを紹介する。 放射誘起Fe-Cu合金析出をシミュレーションするベンチマークにおいて、SwarmThinkersは単一のA100 GPU上でフルスケールで物理的に一貫したシミュレーションを行う最初のシステムである。
• 参考スコア（独自算出の注目度）: 13.402643957042326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can a scientific simulation system be physically consistent, interpretable by design, and scalable across regimes--all at once? Despite decades of progress, this trifecta remains elusive. Classical methods like Kinetic Monte Carlo ensure thermodynamic accuracy but scale poorly; learning-based methods offer efficiency but often sacrifice physical consistency and interpretability. We present SwarmThinkers, a reinforcement learning framework that recasts atomic-scale simulation as a physically grounded swarm intelligence system. Each diffusing particle is modeled as a local decision-making agent that selects transitions via a shared policy network trained under thermodynamic constraints. A reweighting mechanism fuses learned preferences with transition rates, preserving statistical fidelity while enabling interpretable, step-wise decision making. Training follows a centralized-training, decentralized-execution paradigm, allowing the policy to generalize across system sizes, concentrations, and temperatures without retraining. On a benchmark simulating radiation-induced Fe-Cu alloy precipitation, SwarmThinkers is the first system to achieve full-scale, physically consistent simulation on a single A100 GPU, previously attainable only via OpenKMC on a supercomputer. It delivers up to 4963x (3185x on average) faster computation with 485x lower memory usage. By treating particles as decision-makers, not passive samplers, SwarmThinkers marks a paradigm shift in scientific simulation--one that unifies physical consistency, interpretability, and scalability through agent-driven intelligence.
• Abstract（参考訳）: 科学的シミュレーションシステムは、物理的に一貫性があり、設計によって解釈可能であり、レシシブにわたって拡張可能であるか? 数十年にわたる進歩にもかかわらず、この三倍体はいまだに解明されていない。 Kinetic Monte Carloのような古典的な手法は、熱力学の正確さを保証するが、スケールが不十分である。 SwarmThinkersは、原子スケールシミュレーションを物理基盤のSwarmインテリジェンスシステムとして再放送する強化学習フレームワークである。 各拡散粒子は局所的な意思決定エージェントとしてモデル化され、熱力学的制約下で訓練された共有ポリシーネットワークを介して遷移を選択する。 再重み付け機構は、学習した嗜好を遷移率と融合させ、統計的忠実さを維持しつつ、解釈可能なステップワイズな意思決定を可能にする。 訓練は集中的な訓練、分散実行のパラダイムに従っており、政策は再訓練することなくシステムのサイズ、濃度、温度をまたいで一般化することができる。 放射線誘起Fe-Cu合金析出をシミュレートするベンチマークにおいて、SwarmThinkersは、1つのA100 GPU上でフルスケールで物理的に一貫したシミュレーションを行う最初のシステムである。 最大4963x(平均3185x)の高速な計算と485倍のメモリ使用量を提供する。 粒子を受動的サンプリングではなく意思決定者として扱うことで、SwarmThinkersは科学的シミュレーションのパラダイムシフトを示す。

関連論文リスト

• Physics-Informed Inference Time Scaling via Simulation-Calibrated Scientific Machine Learning [5.728698570173857]
  高次元偏微分方程式(PDE)は、量子化学から経済学、金融まで幅広い分野において重要な計算課題を提起する。 科学的機械学習(SciML)技術は近似的な解決策を提供するが、バイアスに悩まされ、重要な物理的洞察を無視することが多い。 シミュレーション・キャリブレーション・サイエンティフィック・機械学習(SCa)は,物理法則を強制することによって推論中のSCiML予測を動的に洗練・除去するフレームワークである。
  論文  参考訳（メタデータ） (2025-04-22T18:01:45Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• Agnostic Physics-Driven Deep Learning [82.89993762912795]
  この研究は、物理系が勾配計算を使わずに統計的勾配学習を行えることを証明している。 Aeqpropでは、システムの詳細を知る必要はなく、プロシージャは外部操作に基づいている。 Aeqpropはまた、自然(生物)物理系において、真の勾配に基づく統計学習は、一般的な比較的単純なメカニズムによってもたらされることを証明している。
  論文  参考訳（メタデータ） (2022-05-30T12:02:53Z)
• Learning physics-informed simulation models for soft robotic manipulation: A case study with dielectric elastomer actuators [21.349079159359746]
  柔らかいアクチュエータは、緩やかな握りや器用な動きといったロボット作業に対して安全かつ適応的なアプローチを提供する。 このようなシステムを制御するための正確なモデルを作成することは、変形可能な物質の複雑な物理のために困難である。 本稿では,微分可能シミュレータと有限要素法の利点を組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-25T21:15:05Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• GradInit: Learning to Initialize Neural Networks for Stable and Efficient Training [59.160154997555956]
  ニューラルネットワークを初期化するための自動化およびアーキテクチャ手法であるgradinitを提案する。 各ネットワーク層の分散は、SGDまたはAdamの単一ステップが最小の損失値をもたらすように調整される。 また、学習率のウォームアップを伴わずに、オリジナルのPost-LN Transformerを機械翻訳用にトレーニングすることもできる。
  論文  参考訳（メタデータ） (2021-02-16T11:45:35Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Watch and learn -- a generalized approach for transferrable learning in deep neural networks via physical principles [0.0]
  本研究では,物理状態の異なる統計物理学における問題に対して,完全に伝達可能な学習を実現するための教師なし学習手法を実証する。 逐次ニューラルネットワークに基づくシーケンスモデルを広範囲のディープニューラルネットワークに結合することにより、古典的な統計力学系の平衡確率分布と粒子間相互作用モデルを学ぶことができる。
  論文  参考訳（メタデータ） (2020-03-03T18:37:23Z)

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。