論文の概要: Physics-Inspired All-Pair Interaction Learning for 3D Dynamics Modeling

• arxiv url: http://arxiv.org/abs/2510.04233v1
• Date: Sun, 05 Oct 2025 14:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.534038
• Title: Physics-Inspired All-Pair Interaction Learning for 3D Dynamics Modeling
• Title（参考訳）: 3次元ダイナミクスモデリングのための物理インスパイアされたオールペアインタラクション学習
• Authors: Kai Yang, Yuqi Huang, Junheng Tao, Wanyu Wang, Qitian Wu,
• Abstract要約: 我々は,多体システムにおける全対相互作用を学習するための,SE(3)-同変の原理的ニューラルネットワークであるPAINETを提案する。 我々は、PAINETが最近提案されたモデルより一貫して優れており、時間とメモリの点で計算コストに匹敵する3Dダイナミックス予測の誤差が4.7%から41.5%減少していることを示した。
• 参考スコア（独自算出の注目度）: 28.23126775948343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling 3D dynamics is a fundamental problem in multi-body systems across scientific and engineering domains and has important practical implications in trajectory prediction and simulation. While recent GNN-based approaches have achieved strong performance by enforcing geometric symmetries, encoding high-order features or incorporating neural-ODE mechanics, they typically depend on explicitly observed structures and inherently fail to capture the unobserved interactions that are crucial to complex physical behaviors and dynamics mechanism. In this paper, we propose PAINET, a principled SE(3)-equivariant neural architecture for learning all-pair interactions in multi-body systems. The model comprises: (1) a novel physics-inspired attention network derived from the minimization trajectory of an energy function, and (2) a parallel decoder that preserves equivariance while enabling efficient inference. Empirical results on diverse real-world benchmarks, including human motion capture, molecular dynamics, and large-scale protein simulations, show that PAINET consistently outperforms recently proposed models, yielding 4.7% to 41.5% error reductions in 3D dynamics prediction with comparable computation costs in terms of time and memory.
• Abstract（参考訳）: 3Dダイナミクスのモデリングは、科学と工学の分野にわたる多体システムの基本的問題であり、軌道予測とシミュレーションにおいて重要な実践的意味を持つ。 最近のGNNベースのアプローチは、幾何対称性を強制したり、高次特徴を符号化したり、ニューラル・オード・メカニクスを組み込んだりすることで、強いパフォーマンスを達成している。 本稿では,多体システムにおける全対相互作用を学習するための,SE(3)-等価な原理的ニューラルネットワークであるPAINETを提案する。 本モデルは,(1)エネルギー関数の最小軌道から導かれる新しい物理刺激型注意ネットワークと,(2)効率的な推論を可能とし,等価性を保った並列デコーダとを備える。 人間のモーションキャプチャー、分子動力学、大規模タンパク質シミュレーションを含む様々な実世界のベンチマークにおける実証的な結果は、PAINETが最近提案されたモデルより一貫して優れており、時間と記憶の面で同等の計算コストで3Dダイナミックス予測の4.7%から41.5%の誤差削減を達成していることを示している。

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)
• Adapting Physics-Informed Neural Networks to Improve ODE Optimization in Mosquito Population Dynamics [0.019972837513980313]
  本稿では,ODE システムの前方および逆問題に対していくつかの改良を加えた PINN フレームワークを提案する。 この枠組みは、蚊の常微分方程式によって生じる勾配不均衡と硬い問題に取り組む。 予備的な結果は、物理インフォームド機械学習が生態システムの研究を前進させる大きな可能性を秘めていることを示している。
  論文  参考訳（メタデータ） (2024-06-07T17:40:38Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• 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)
• 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)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Physics-guided Deep Markov Models for Learning Nonlinear Dynamical Systems with Uncertainty [6.151348127802708]
  我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。 提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
  論文  参考訳（メタデータ） (2021-10-16T16:35:12Z)
• Physics-Informed Neural State Space Models via Learning and Evolution [1.1086440815804224]
  システム同定のためのニューラル状態空間力学モデルの検出法について検討する。 モデル選択と最適化を交互に行う非同期な遺伝的探索アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2020-11-26T23:35:08Z)

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。