論文の概要: Unisoma: A Unified Transformer-based Solver for Multi-Solid Systems

• arxiv url: http://arxiv.org/abs/2506.06021v1
• Date: Fri, 06 Jun 2025 12:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.465329
• Title: Unisoma: A Unified Transformer-based Solver for Multi-Solid Systems
• Title（参考訳）: Unisoma: マルチソリッドシステムのための統一トランスフォーマーベースのソルバー
• Authors: Shilong Tao, Zhe Feng, Haonan Sun, Zhanxing Zhu, Yunhuai Liu,
• Abstract要約: 構造化モジュールによる固体変形に影響を及ぼす要因を組み込んだ,新しい明示的モデリングパラダイムを導入する。 具体的には,ソリッドの可変数の処理が可能な統一かつ柔軟なトランスフォーマーモデルであるUnisomaを提案する。 暗黙的なモデリング手法と比較して、明示的なモデリングは多様な結合パターンを持つマルチソリッドシステムに適している。
• 参考スコア（独自算出の注目度）: 21.697159152687288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-solid systems are foundational to a wide range of real-world applications, yet modeling their complex interactions remains challenging. Existing deep learning methods predominantly rely on implicit modeling, where the factors influencing solid deformation are not explicitly represented but are instead indirectly learned. However, as the number of solids increases, these methods struggle to accurately capture intricate physical interactions. In this paper, we introduce a novel explicit modeling paradigm that incorporates factors influencing solid deformation through structured modules. Specifically, we present Unisoma, a unified and flexible Transformer-based model capable of handling variable numbers of solids. Unisoma directly captures physical interactions using contact modules and adaptive interaction allocation mechanism, and learns the deformation through a triplet relationship. Compared to implicit modeling techniques, explicit modeling is more well-suited for multi-solid systems with diverse coupling patterns, as it enables detailed treatment of each solid while preventing information blending and confusion. Experimentally, Unisoma achieves consistent state-of-the-art performance across seven well-established datasets and two complex multi-solid tasks. Code is avaiable at \href{this link}{https://github.com/therontau0054/Unisoma}.
• Abstract（参考訳）: マルチソリッドシステムは、幅広い現実世界のアプリケーションに基礎を置いているが、複雑な相互作用をモデル化することは依然として困難である。 既存のディープラーニング手法は主に暗黙のモデリングに依存しており、固体変形に影響を与える要因は明示的に表現されるのではなく、間接的に学習される。 しかし、固体の数が増加するにつれて、これらの手法は複雑な物理的相互作用を正確に捉えるのに苦労する。 本稿では,構造モジュールによる固体変形に影響を及ぼす要因を組み込んだ,新しい明示的モデリングパラダイムを提案する。 具体的には,ソリッドの可変数の処理が可能な統一かつ柔軟なトランスフォーマーモデルであるUnisomaを提案する。 ユニソーマは接触モジュールと適応的な相互作用割り当て機構を使って直接物理的相互作用を捉え、三重項関係を通して変形を学習する。 暗黙的モデリング技術と比較して、明示的モデリングは、情報ブレンディングや混乱を防止しつつ、各固体の詳細な処理を可能にするため、多様なカップリングパターンを持つマルチソリッドシステムに適している。 実験的に、Unisomaは7つの確立されたデータセットと2つの複雑なマルチソリッドタスクにまたがって、一貫した最先端のパフォーマンスを実現している。 コードは \href{this link}{https://github.com/therontau0054/Unisoma} にある。

関連論文リスト

• MergeNet: Knowledge Migration across Heterogeneous Models, Tasks, and Modalities [72.05167902805405]
  異種モデルのパラメータ空間のギャップを埋めることを学ぶMergeNetを提案する。 MergeNetの中核となるメカニズムはパラメータアダプタにあり、ソースモデルの低ランクパラメータをクエリすることで動作する。 MergeNetは両方のモデルと共に学習され、我々のフレームワークは、現在のステージに関する知識を動的に転送し、適応することができます。
  論文  参考訳（メタデータ） (2024-04-20T08:34:39Z)
• Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations [56.78271181959529]
  GAM(Generalized Additive Models)は、変数とターゲットの間の非線形関係をキャプチャできるが、複雑な特徴相互作用をキャプチャすることはできない。 本稿では,GAMのフレキシブルな形状関数と,数学的表現に見られる複雑な特徴相互作用を融合させる形状表現算術(SHARE)を提案する。 また、標準制約を超えた表現の透明性を保証するSHAREを構築するための一連のルールを設計する。
  論文  参考訳（メタデータ） (2024-04-15T13:44:01Z)
• Data driven modeling for self-similar dynamics [1.0790314700764785]
  本稿では,自己相似性を先行知識として組み込んだマルチスケールニューラルネットワークフレームワークを提案する。 決定論的ダイナミクスの場合、我々のフレームワークは力学が自己相似かどうかを識別できる。 本手法は,自己相似システムにおける電力法指数を同定する。
  論文  参考訳（メタデータ） (2023-10-12T12:39:08Z)
• Inferring Local Structure from Pairwise Correlations [0.0]
  相関関係が局所関係を回復するのに十分な情報を提供することを示す。 これは、我々のデータに高次相互作用構造が存在するにもかかわらず、成功することを証明している。
  論文  参考訳（メタデータ） (2023-05-07T22:38:29Z)
• Modular Deep Learning [120.36599591042908]
  トランスファーラーニングは近年、機械学習の主要なパラダイムとなっている。 負の干渉を伴わずに複数のタスクを専門とするモデルを開発する方法はまだ不明である。 これらの課題に対する有望な解決策として、モジュール型ディープラーニングが登場した。
  論文  参考訳（メタデータ） (2023-02-22T18:11:25Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

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。