論文の概要: Hebbian Physics Networks: A Self-Organizing Computational Architecture Based on Local Physical Laws

• arxiv url: http://arxiv.org/abs/2507.00641v1
• Date: Tue, 01 Jul 2025 10:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.5775
• Title: Hebbian Physics Networks: A Self-Organizing Computational Architecture Based on Local Physical Laws
• Title（参考訳）: Hebbian Physics Networks:ローカル物理法則に基づく自己組織化計算アーキテクチャ
• Authors: Gunjan Auti, Hirofumi Daiguji, Gouhei Tanaka,
• Abstract要約: Hebbian Physics Network (HPN) は、自然保護法に違反したローカルなHebbianの更新から学習が生まれる、自己組織化された計算フレームワークである。 本研究では,非圧縮性流体流と連続体拡散の計算において,物理的に一貫した構造が無監督でランダムな初期状態から出現することを示す。
• 参考スコア（独自算出の注目度）: 1.0533738606966752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional machine learning approaches in physics rely on global optimization, limiting interpretability and enforcing physical constraints externally. We introduce the Hebbian Physics Network (HPN), a self-organizing computational framework in which learning emerges from local Hebbian updates driven by violations of conservation laws. Grounded in non-equilibrium thermodynamics and inspired by Prigogine/'s theory of dissipative structures, HPNs eliminate the need for global loss functions by encoding physical laws directly into the system/'s local dynamics. Residuals - quantified imbalances in continuity, momentum, or energy - serve as thermodynamic signals that drive weight adaptation through generalized Hebbian plasticity. We demonstrate this approach on incompressible fluid flow and continuum diffusion, where physically consistent structures emerge from random initial conditions without supervision. HPNs reframe computation as a residual-driven thermodynamic process, offering an interpretable, scalable, and physically grounded alternative for modeling complex dynamical systems.
• Abstract（参考訳）: 物理学における伝統的な機械学習のアプローチは、グローバルな最適化、解釈可能性の制限、外部の制約の強化に依存している。 我々は,自然保護法違反による局所的なヘビアン更新から学習が出現する,自己組織化計算フレームワークであるHebbian Physics Network(HPN)を紹介する。 非平衡熱力学に基礎を置き、Prigogine/の散逸構造理論にインスパイアされたHPNは、物理法則を直接システム/の局所力学にエンコードすることで、大域的損失関数の必要性を排除した。 残留物(Residuals) - 連続性、運動量、エネルギーの量的不均衡は、一般化されたヘビアン可塑性を通じて重量適応を駆動する熱力学的信号として機能する。 本研究では,非圧縮性流体流と連続体拡散に対して,物理的に一貫した構造が無監督でランダムな初期状態から出現することを示す。 HPNの計算は、複雑な力学系をモデル化するための解釈可能でスケーラブルで物理的に基礎付けられた代替手段を提供する残差駆動熱力学プロセスとして再構成された。

関連論文リスト

• Conditional Denoising Model as a Physical Surrogate Model [1.0616273526777913]
  物理多様体自体の幾何学を学ぶために設計された生成モデルを導入する。 ネットワークにノイズの多い状態からクリーンな状態を復元するように訓練することで、モデルは有効な解部分空間へ連続的に向けられるベクトル場を学習する。
  論文  参考訳（メタデータ） (2026-01-28T20:32:20Z)
• PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
  物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。 本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。 このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
  論文  参考訳（メタデータ） (2026-01-16T08:40:10Z)
• Enforcing hidden physics in physics-informed neural networks [3.41772976335063]
  我々は、訓練中にソフト制約として隠された物理法則を強制する、単純で一般化されているが頑健な不可逆的戦略を導入する。 我々の正規化方式は,既存のPINNフレームワークに最小限の変更しか必要とせず,予測誤差を1桁以上削減することを示した。
  論文  参考訳（メタデータ） (2025-11-18T10:52:37Z)
• Universal Physics Simulation: A Foundational Diffusion Approach [0.0]
  境界条件データから直接物理法則を学習する普遍物理学シミュレーションのための最初の基礎的AIモデルを提案する。 本手法は,シミュレーションを条件付き生成問題として扱うことにより,計算物理を再現する。 繰り返しにわたってエラーを蓄積するシーケンシャルなタイムステッピングメソッドとは異なり、私たちのアプローチは時間的統合を完全にバイパスします。
  論文  参考訳（メタデータ） (2025-07-13T18:12:34Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems [0.0]
  対流に対する物理インフォームRBCサロゲートモデルを提案する。 我々のアプローチは、空間還元のための標準次元ニューラルネットワークと、大きな言語モデルにインスパイアされた革新的な再帰的アーキテクチャを組み合わせる。 このモデルは、計算コストを削減しつつ、重要な物理的特徴を再現し、長期シミュレーションのためのDNSに代わるスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-16T06:47:00Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• A physics-encoded Fourier neural operator approach for surrogate modeling of divergence-free stress fields in solids [6.877349053520825]
  固体中の準静的平衡応力場のシュロゲートモデリングのための物理符号化フーリエニューラル演算子(PeFNO)を開発した。 準静的機械平衡に対する対応する境界値問題の数値解からトレーニング用応力場データを得る。 トレーニングされたPgFNOの出力は、トレーニングされたPgFNOまたはトレーニングされたPiFNOの出力よりも、機械的平衡を満たすのにかなり正確である。
  論文  参考訳（メタデータ） (2024-08-27T21:18:41Z)
• Thermodynamics-Consistent Graph Neural Networks [50.0791489606211]
  本稿では,二成分混合物の組成依存的活動係数を予測するために,ギブス自由エネルギーグラフニューラルネットワーク(GE-GNN)を提案する。 GE-GNNアーキテクチャはギブス自由エネルギーを超えるモルを予測することによって熱力学的整合性を確保する。 活性係数予測の精度と熱力学的整合性を示す。
  論文  参考訳（メタデータ） (2024-07-08T06:58:56Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• No-Signaling in Steepest Entropy Ascent: A Nonlinear Non-local Non-equilibrium Quantum Dynamics of Composite Systems [0.0]
  リンドブレディアン形式主義は「ボトムアップ」アプローチを用いて開量子系をモデル化し、システム-環境相互作用から線形力学を導出する。 本稿では,システム構造,サブシステム間の相互作用,環境影響に着目した「トップダウン」アプローチを提案する。 第二法則の要件(ギブス状態が唯一の安定均衡である)を組み込むことは、非線形力学を必要とすることを示す。
  論文  参考訳（メタデータ） (2023-01-27T06:22:27Z)
• NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
  本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。 応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
  論文  参考訳（メタデータ） (2022-05-04T13:54:54Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)
• 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)
• Structure-preserving neural networks [0.08209843760716957]
  フィードフォワードニューラルネットワークを用いたデータから物理系を学習する手法を開発した。 この方法は、散逸性ハミルトニアン系の緯度構造を強制することによって、最小限のデータを使用する。
  論文  参考訳（メタデータ） (2020-04-09T16:41:20Z)

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。