論文の概要: A Graph Neural Network Approach for Mapping the Conceptual Structure and Inter-Branch Connectivity of Physics

• arxiv url: http://arxiv.org/abs/2508.05724v1
• Date: Thu, 07 Aug 2025 16:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.960605
• Title: A Graph Neural Network Approach for Mapping the Conceptual Structure and Inter-Branch Connectivity of Physics
• Title（参考訳）: グラフニューラルネットワークによる物理の概念構造と分岐間接続性のマッピング
• Authors: Massimiliano Romiti,
• Abstract要約: この研究は、物理法則を重み付き知識グラフとして表現し分析するための新しい枠組みを導入する。 音節のあいまいさを解決するために,厳密な意味的クリーニングを施した659個の物理方程式のデータベースを構築した。 物理概念と方程式の両方をノードとし,重み付き方程式間ブリッジで連結した拡張グラフ表現を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work introduces a novel framework for representing and analyzing physical laws as a weighted knowledge graph. We constructed a database of 659 distinct physical equations, subjected to rigorous semantic cleaning to resolve notational ambiguities, resulting in a corpus of 400 advanced physics equations. We developed an enhanced graph representation where both physical concepts and equations are nodes, connected by weighted inter-equation bridges. These weights are objectively defined using normalized metrics for variable overlap, physics-informed importance scores, and bibliometric data. A Graph Attention Network (GAT) was trained for link prediction, achieving a test AUC of 0.9742 +/- 0.0018 across five independent runs, significantly outperforming both classical heuristics (best baseline AUC: 0.9487) and established GNN architectures like GraphSAGE (AUC: 0.9504, p = 0.029). Statistical testing confirmed significance of all comparisons (p < 0.05), with 2.7% improvement over the best baseline. Our analysis reveals three key findings: (i) The model autonomously rediscovers the known macroscopic structure of physics, identifying strong conceptual axes between Electromagnetism and Statistical Mechanics. (ii) It identifies central hub equations that serve as critical bridges between multiple physical domains. (iii) The model generates stable, computationally-derived hypotheses for cross-domain relationships, identifying both known principles and suggesting novel mathematical analogies for further theoretical investigation. The framework can generate hundreds of such hypotheses, enabling the creation of specialized datasets for targeted analysis of specific physics subfields. Code and data available at https://github.com/kingelanci/graphysics
• Abstract（参考訳）: この研究は、物理法則を重み付き知識グラフとして表現し分析するための新しい枠組みを導入する。 我々は、659個の異なる物理方程式のデータベースを構築し、表記のあいまいさを解決するために厳密なセマンティック・クリーニングを施し、400個の高度な物理方程式のコーパスを作成した。 物理概念と方程式の両方をノードとし,重み付き方程式間ブリッジで連結した拡張グラフ表現を開発した。 これらの重み付けは、変数重複の正規化メトリクス、物理インフォームドされた重要度スコア、および文献データを用いて客観的に定義される。 グラフ注意ネットワーク(GAT)はリンク予測のために訓練され、5つの独立した実行で0.9742 +/- 0.0018のテストAUCを達成し、古典的ヒューリスティック(最良のベースラインAUC: 0.9487)とGraphSAGE(AUC: 0.9504, p = 0.029)のような確立されたGNNアーキテクチャの両方を著しく上回った。 統計検査の結果、全ての比較(p < 0.05)が重要であり、最高の基準よりも2.7%改善した。 私たちの分析では3つの重要な発見が明らかになりました。 (i)このモデルは物理学の既知のマクロ構造を自律的に再検討し、電磁力学と統計力学の間の強い概念軸を同定する。 (ii)複数の物理領域間の臨界ブリッジとして機能する中心ハブ方程式を同定する。 三 このモデルは、クロスドメイン関係のための安定で計算に起因した仮説を生成し、既知の原理の両方を同定し、さらなる理論的研究のための新しい数学的類似性を提案する。 このフレームワークは数百の仮説を生成することができ、特定の物理サブフィールドを対象とする分析のための特別なデータセットを作成することができる。 code and data available at https://github.com/kingelanci/graphysics

関連論文リスト

• Learn and Verify: A Framework for Rigorous Verification of Physics-Informed Neural Networks [12.111053304637808]
  微分方程式の解に対して計算可能で数学的に厳密な誤差境界を提供する枠組みを提案する。 学習用DSM(Douubly Smoothed Maximum)損失と検証用インターバル算術を組み合わせることで,厳密なアフターリエラー境界をマシン検証可能な証明として計算する。
  論文  参考訳（メタデータ） (2026-01-27T17:21:33Z)
• Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
  VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。 視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。 常に最先端のVLMベースラインを精度と解釈性で上回る。
  論文  参考訳（メタデータ） (2025-08-24T14:34:21Z)
• Physics-Informed Neural Networks with Unknown Partial Differential Equations: an Application in Multivariate Time Series [8.957579200590983]
  この研究は、データ駆動型発見と物理誘導学習のギャップを埋めることを目的としている。 歴史的データから部分微分方程式を自動的に抽出する手法を提案する。 次に、これらの学習方程式を3つの異なるモデリングアプローチに統合する。
  論文  参考訳（メタデータ） (2025-03-26T01:24:47Z)
• An interpretation of the Brownian bridge as a physics-informed prior for the Poisson equation [0.0]
  ブラウン橋のガウス過程は、ポアソン方程式に先立って、柔らかく強化された物理学的に制約されたものとして見ることができる。 この接続により、逆問題の収束や振舞いなど、異なる理論的問題を探索することができる。
  論文  参考訳（メタデータ） (2025-02-28T21:57:10Z)
• Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics [5.5371760658918]
  ディープラーニング技術と物理駆動設計の統合は、私たちが逆問題に対処する方法を変えつつある。 この視点は、物理駆動学習法の進歩と可能性を強調している。 MLと物理の融合により、より効率的で信頼性の高い問題解決戦略がもたらされることが示されている。
  論文  参考訳（メタデータ） (2025-01-09T21:14:25Z)
• Physics-Informed Graph-Mesh Networks for PDEs: A hybrid approach for complex problems [0.24578723416255746]
  物理インフォームドグラフニューラルネットワークと有限要素からの数値カーネルを組み合わせたハイブリッドアプローチを提案する。 モデルの理論的性質を研究した後、2次元と3次元の複素幾何学に応用する。 我々の選択はアブレーション研究によって支持され,提案手法の一般化能力を評価する。
  論文  参考訳（メタデータ） (2024-09-25T07:52:29Z)
• Fourier Neural Differential Equations for learning Quantum Field Theories [57.11316818360655]
  量子場理論は相互作用ハミルトニアンによって定義され、散乱行列によって実験データにリンクされる。 本稿では,NDEモデルを用いて理論,スカラー・ユーカワ理論,スカラー量子電磁力学を学習する。 理論の相互作用ハミルトニアンは、ネットワークパラメータから抽出することができる。
  論文  参考訳（メタデータ） (2023-11-28T22:11:15Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Newton-Cotes Graph Neural Networks: On the Time Evolution of Dynamic Systems [49.50674348130157]
  本稿では,ニュートン・コーツの公式を用いた速度推定に基づく積分の予測手法を提案する。 いくつかのベンチマークの実験は、最先端の手法と比較して、一貫性と顕著な改善を実証的に示している。
  論文  参考訳（メタデータ） (2023-05-24T02:23:00Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Physics-aware deep learning framework for linear elasticity [0.0]
  本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。 フィールド変数の正確な表現のために,多目的損失関数を提案する。 弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
  論文  参考訳（メタデータ） (2023-02-19T20:33:32Z)
• Correspondence between open bosonic systems and stochastic differential equations [77.34726150561087]
  ボゾン系が環境との相互作用を含むように一般化されたとき、有限$n$で正確な対応も可能であることを示す。 離散非線形シュル「オーディンガー方程式」の形をした特定の系をより詳細に分析する。
  論文  参考訳（メタデータ） (2023-02-03T19:17:37Z)
• Homophily modulates double descent generalization in graph convolution networks [33.703222768801574]
  グラフノイズ,特徴雑音,トレーニングラベル数との相互作用によって,リスクがどのように形成されるかを示す。 我々は解析的洞察を用いて、異種データセット上での最先端グラフ畳み込みネットワークの性能を向上させる。
  論文  参考訳（メタデータ） (2022-12-26T09:57:09Z)
• 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)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)
• Tensor network approaches for learning non-linear dynamical laws [0.0]
  制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。 データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
  論文  参考訳（メタデータ） (2020-02-27T19:02:40Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)
• A deep learning framework for solution and discovery in solid mechanics [1.4699455652461721]
  本稿では,物理情報ニューラルネットワーク(PINN)と呼ばれるディープラーニングのクラスを,固体力学の学習と発見に応用する。 本稿では, 運動量バランスと弾性の関係をPINNに組み込む方法について解説し, 線形弾性への応用について詳細に検討する。
  論文  参考訳（メタデータ） (2020-02-14T08:24:53Z)

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。