論文の概要: Data-driven particle dynamics: Structure-preserving coarse-graining for emergent behavior in non-equilibrium systems

• arxiv url: http://arxiv.org/abs/2508.12569v1
• Date: Mon, 18 Aug 2025 02:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.94122
• Title: Data-driven particle dynamics: Structure-preserving coarse-graining for emergent behavior in non-equilibrium systems
• Title（参考訳）: データ駆動粒子動力学:非平衡系における創発的挙動のための構造保存粗粒微細化
• Authors: Quercus Hernandez, Max Win, Thomas C. O'Connor, Paulo E. Arratia, Nathaniel Trask,
• Abstract要約: 短周期スケールは創発的なバルク物理学と適切に結び付けられなければならないため、マルチスケールシステムはシミュレートが難しいことが知られている。 熱力学の第一法則と第二法則の離散的な概念を保存したメチトレクティックブラケット形式を用いた枠組みを提案する。 我々はPyTorchとLAMMPSの両方でオープンソース実装を提供し、様々な粒子ベースシステムへの大規模推論と再配置を可能にする。
• 参考スコア（独自算出の注目度）: 0.8796261172196743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiscale systems are ubiquitous in science and technology, but are notoriously challenging to simulate as short spatiotemporal scales must be appropriately linked to emergent bulk physics. When expensive high-dimensional dynamical systems are coarse-grained into low-dimensional models, the entropic loss of information leads to emergent physics which are dissipative, history-dependent, and stochastic. To machine learn coarse-grained dynamics from time-series observations of particle trajectories, we propose a framework using the metriplectic bracket formalism that preserves these properties by construction; most notably, the framework guarantees discrete notions of the first and second laws of thermodynamics, conservation of momentum, and a discrete fluctuation-dissipation balance crucial for capturing non-equilibrium statistics. We introduce the mathematical framework abstractly before specializing to a particle discretization. As labels are generally unavailable for entropic state variables, we introduce a novel self-supervised learning strategy to identify emergent structural variables. We validate the method on benchmark systems and demonstrate its utility on two challenging examples: (1) coarse-graining star polymers at challenging levels of coarse-graining while preserving non-equilibrium statistics, and (2) learning models from high-speed video of colloidal suspensions that capture coupling between local rearrangement events and emergent stochastic dynamics. We provide open-source implementations in both PyTorch and LAMMPS, enabling large-scale inference and extensibility to diverse particle-based systems.
• Abstract（参考訳）: マルチスケールシステムは科学や技術ではユビキタスだが、短時間の時空間スケールが創発的なバルク物理と適切に結び付けられなければならないため、シミュレートするのが非常に難しい。 高価な高次元力学系が低次元モデルに粗粒化されると、情報のエントロピックな損失は、散逸性、歴史に依存し、確率的な創発的な物理学につながる。 粒子軌道の時系列観測から粗粒度力学を機械的に学習するために,これらの特性を構築により保存するメチトレクティックブラケット形式を用いた枠組みを提案する。 粒子の離散化を専門化する前に、数学的枠組みを抽象的に導入する。 ラベルは一般にエントロピー状態変数では利用できないため、創発的構造変数を特定するための新しい自己教師型学習戦略を導入する。 本手法をベンチマークシステム上で検証し,(1)非平衡統計を保ちながら粗粒化の困難なレベルにおける粗粒化重合体,(2)局所的再配置現象と創発的確率力学のカップリングを捉えたコロイド懸濁液の高速ビデオからの学習モデルについて,その有用性を示す。 我々はPyTorchとLAMMPSの両方でオープンソース実装を提供し、多様な粒子ベースシステムに対して大規模な推論と拡張を可能にする。

関連論文リスト

• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Quantum-Informed Machine Learning for Chaotic Systems [0.8110978727364399]
  偏微分方程式を学習するための量子インフォームド機械学習フレームワークを提案する。 量子回路ボルンマシンはカオス力学系の不変性を学ぶために用いられる。 この枠組みは, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, 乱流流の3つの代表的な系で評価される。
  論文  参考訳（メタデータ） (2025-07-26T08:36:16Z)
• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。 Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
  本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。 それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
  論文  参考訳（メタデータ） (2024-10-01T21:14:06Z)
• 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)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Physics-aware, probabilistic model order reduction with guaranteed stability [0.0]
  実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。 粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
  論文  参考訳（メタデータ） (2021-01-14T19:16:51Z)
• Incorporating physical constraints in a deep probabilistic machine learning framework for coarse-graining dynamical systems [7.6146285961466]
  本稿では,予測の不確実性の定量化を可能にする,データに基づく確率論的視点を提供する。 確率的状態空間モデルを用いて粗粒化過程を定式化する。 完全な微細なシステムの進化を再構築することができる。
  論文  参考訳（メタデータ） (2019-12-30T16:07:46Z)

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。