Fugu-MT 論文翻訳(概要): Graph Neural Network Approach to Predicting Magnetization in Quasi-One-Dimensional Ising Systems

論文の概要: Graph Neural Network Approach to Predicting Magnetization in Quasi-One-Dimensional Ising Systems

arxiv url: http://arxiv.org/abs/2507.17509v1
Date: Wed, 23 Jul 2025 13:47:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-24 22:33:15.018678
Title: Graph Neural Network Approach to Predicting Magnetization in Quasi-One-Dimensional Ising Systems
Title（参考訳）: 準一次元イジングシステムにおける磁化予測へのグラフニューラルネットワークアプローチ
Authors: V. Slavin, O. Kryvchikov, D. Laptev,
Abstract要約: 準1次元イジングスピン系の磁気特性を予測するためのグラフベースディープラーニングフレームワークを提案する。格子幾何学はグラフとして符号化され、グラフニューラルネットワーク(GNN)によって処理され、その後に完全に連結された層が続く。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a graph-based deep learning framework for predicting the magnetic properties of quasi-one-dimensional Ising spin systems. The lattice geometry is encoded as a graph and processed by a graph neural network (GNN) followed by fully connected layers. The model is trained on Monte Carlo simulation data and accurately reproduces key features of the magnetization curve, including plateaus, critical transition points, and the effects of geometric frustration. It captures both local motifs and global symmetries, demonstrating that GNNs can infer magnetic behavior directly from structural connectivity. The proposed approach enables efficient prediction of magnetization without the need for additional Monte Carlo simulations.
Abstract（参考訳）: 準1次元イジングスピン系の磁気特性を予測するためのグラフベースディープラーニングフレームワークを提案する。格子幾何学はグラフとして符号化され、グラフニューラルネットワーク(GNN)によって処理され、その後に完全に連結された層が続く。このモデルはモンテカルロシミュレーションデータに基づいて訓練され、プラトーや臨界遷移点、幾何学的フラストレーションの影響など、磁化曲線の重要な特徴を正確に再現する。局所的なモチーフとグローバルな対称性の両方を捉え、GNNが構造的な接続から直接磁気的挙動を推測できることを実証する。提案手法により,モンテカルロシミュレーションを必要とせず,より効率的な磁化予測が可能となる。

関連論文リスト

A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
論文参考訳（メタデータ） (2025-07-17T10:02:57Z)
A Deep Generative Model for the Simulation of Discrete Karst Networks [0.0]
グラフ生成モデルを用いてカルストネットワークをグラフとして表現する。ノードは空間情報とプロパティを保持し、エッジはノード間の接続を表す。実世界のカルストネットワークを用いて本手法を検証し,生成したサブグラフとデータベースからの実際のサブグラフを比較した。
論文参考訳（メタデータ） (2025-06-11T15:10:41Z)
Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文参考訳（メタデータ） (2024-02-13T14:13:17Z)
Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
論文参考訳（メタデータ） (2022-10-01T21:17:39Z)
Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2022-08-15T22:30:07Z)
sMGC: A Complex-Valued Graph Convolutional Network via Magnetic Laplacian for Directed Graphs [10.993455818148341]
本稿では,ラプラシアンの変形として複雑な位相に符号化することで,エッジの向きを保つ磁気ラプラシアンを提案する。さらに,グラフからグローバルな特徴を学習可能な自動回帰移動平均フィルタを設計する。グラフニューラルネットワークにおける複雑な演算を導出し、単純化された磁気グラフ畳み込みネットワーク、すなわちsMGCを考案する。
論文参考訳（メタデータ） (2021-10-14T17:36:44Z)
Curvature Graph Neural Network [8.477559786537919]
離散グラフ曲率(リッチ曲率)を導入し、対ノードの構造接続の強度を定量化する。 GNNの適応的局所性能力を効果的に向上する曲線グラフニューラルネットワーク(CGNN)を提案する。合成データセットの実験結果から,CGNNはトポロジ構造情報を効果的に活用していることがわかった。
論文参考訳（メタデータ） (2021-06-30T00:56:03Z)
MagNet: A Magnetic Neural Network for Directed Graphs [3.5557219875516655]
MagNet は、磁気ラプラシアンと呼ばれる複素エルミト行列に基づく有向グラフのスペクトル GNN である。我々は,MagNetの性能が有向グラフノード分類およびリンク予測タスクにおける他のスペクトルGNNを上回ることを示す。
論文参考訳（メタデータ） (2021-02-22T22:40:57Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
Path Integral Based Convolution and Pooling for Graph Neural Networks [12.801534458657592]
グラフの分類と回帰処理のための経路積分に基づくグラフニューラルネットワーク(PAN)を提案する。 PANは、さまざまなサイズと構造を持つ異なるグラフデータ用に調整可能な、汎用的なフレームワークを提供する。実験結果から,PANは様々なグラフ分類/回帰タスクにおいて最先端の性能を達成することが示された。
論文参考訳（メタデータ） (2020-06-29T16:20:33Z)
Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。