論文の概要: Topological Regularization for Force Prediction in Active Particle Suspension with EGNN and Persistent Homology
- arxiv url: http://arxiv.org/abs/2509.06574v1
- Date: Mon, 08 Sep 2025 11:39:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:04.09411
- Title: Topological Regularization for Force Prediction in Active Particle Suspension with EGNN and Persistent Homology
- Title（参考訳）: EGNNと永続ホモロジーを用いたアクティブ粒子懸濁液の応力予測のためのトポロジカル規則化
- Authors: Sadra Saremi, Amirhossein Ahmadkhan Kordbacheh,
- Abstract要約: 3つの学習駆動ツールを組み合わせて1つのパイプライン内で学習する,マルチスケールフレームワークを提案する。
学習パイプラインへの入力として,周期箱内の流体速度と粒子応力の高分解能Lattice Boltzmannスナップショットを用いる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Capturing the dynamics of active particles, i.e., small self-propelled agents that both deform and are deformed by a fluid in which they move is a formidable problem as it requires coupling fine scale hydrodynamics with large scale collective effects. So we present a multi-scale framework that combines the three learning-driven tools to learn in concert within one pipeline. We use high-resolution Lattice Boltzmann snapshots of fluid velocity and particle stresses in a periodic box as input to the learning pipeline. the second step takes the morphology and positions orientations of particles to predict pairwise interaction forces between them with a E(2)-equivariant graph neural network that necessarily respect flat symmetries. Then, a physics-informed neural network further updates these local estimates by summing over them with a stress data using Fourier feature mappings and residual blocks that is additionally regularized with a topological term (introduced by persistent homology) to penalize unrealistically tangled or spurious connections. In concert, these stages deliver an holistic highly-data driven full force network prediction empathizing on the physical underpinnings together with emerging multi-scale structure typical for active matter.
- Abstract（参考訳）: 活性粒子のダイナミックス、すなわち、運動する流体によって変形し変形する小さな自己推進剤を捕獲することは、大規模な集団効果で微小な流体力学を結合する必要があるため、恐ろしい問題である。
そこで我々は,学習駆動の3つのツールを組み合わせて,ひとつのパイプライン内で学習する,マルチスケールのフレームワークを提案する。
学習パイプラインへの入力として,周期箱内の流体速度と粒子応力の高分解能Lattice Boltzmannスナップショットを用いる。
第2のステップは、粒子の形態と位置を定め、平面対称性を必ずしも尊重するE(2)等変グラフニューラルネットワークを用いて、粒子間の対の相互作用力を予測することである。
次に、物理インフォームドニューラルネットワークは、これらの局所的な見積を、フーリエ特徴マッピングと、トポロジ的用語(永続ホモロジーによって導入される)でさらに正規化され、非現実的に絡み合った、または刺激的な接続をペナルティ化する残差ブロックを使って、それらにまとめることで、さらに更新する。
これらのステージは、アクティブな物質に典型的な新しいマルチスケール構造とともに、物理的アンダーピングに共感する、全体論的に高データ駆動のフルフォースネットワーク予測を提供する。
関連論文リスト
- Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。
等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
論文 参考訳（メタデータ） (2023-05-12T04:12:04Z) - Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文 参考訳（メタデータ） (2023-04-21T20:49:29Z) - 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) - Predicting fluid-structure interaction with graph neural networks [13.567118450260178]
本稿では,流体-構造相互作用系の低次モデリングのための回転同変準モノリシックグラフニューラルネットワークフレームワークを提案する。
有限要素インスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。
提案するフレームワークは,インターフェース記述をトラッキングし,少なくとも2000時間のロールアウト時に,安定かつ正確なシステム状態予測を提供する。
論文 参考訳（メタデータ） (2022-10-09T07:42:23Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳（メタデータ） (2022-03-03T15:13:29Z) - A Multisite Decomposition of the Tensor Network Path Integrals [0.0]
我々は、テンソルネットワークパス積分(TNPI)フレームワークを拡張し、局所的な散逸環境を持つ量子システムを効率的にシミュレートする。
MS-TNPI法は溶媒と結合した様々な拡張量子系の研究に有用である。
論文 参考訳（メタデータ） (2021-09-20T17:55:53Z) - Tensor-network study of correlation-spreading dynamics in the
two-dimensional Bose-Hubbard model [0.0]
この目的のために,従来のコンピュータ上で動作するテンソルネットワーク方式が有用であることを示す。
急激なクエンチ後の2次元Bose-Hubbardモデルのリアルタイムダイナミクスを特に解析する。
単一粒子と密度密度相関関数から位相と群速度を推定することにより、これらの速度が中間相互作用領域でどのように変化するかを予測する。
論文 参考訳（メタデータ） (2021-08-25T05:37:16Z) - Scaling of temporal entanglement in proximity to integrability [0.0]
積分可能なFloquetモデルのファミリの正確なIMを解析的に計算する。
IMは,全てのパラメータ値に対して時間的絡み合い尺度を示す。
臨界付近では、時間的絡み合いの非自明なスケーリング挙動が見られる。
論文 参考訳（メタデータ） (2021-04-15T17:16:57Z) - Constructing Tensor Network Influence Functionals for General Quantum
Dynamics [0.0]
我々は、影響関数の時空テンソルネットワーク表現を使用し、その近似性を結合次元と時間的絡み合いの観点から検討する。
我々は、その構造に係わる影響関数と中間体は、ある力学系における低結合次元テンソルネットワークによって効率的に近似できることを示した。
浴槽を反復的に一体化するので、影響関数の相関は低下する前に最初に増大し、非自明なキャンセルによって影響関数の最終的な圧縮性が達成されることを示す。
論文 参考訳（メタデータ） (2021-01-14T05:42:25Z)
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。