論文の概要: MaNGO - Adaptable Graph Network Simulators via Meta-Learning

• arxiv url: http://arxiv.org/abs/2510.05874v1
• Date: Tue, 07 Oct 2025 12:44:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.253201
• Title: MaNGO - Adaptable Graph Network Simulators via Meta-Learning
• Title（参考訳）: MaNGO - メタラーニングによる適応型グラフネットワークシミュレータ
• Authors: Philipp Dahlinger, Tai Hoang, Denis Blessing, Niklas Freymuth, Gerhard Neumann,
• Abstract要約: グラフネットワークシミュレータ(GNS)はより高速な推論を提供するが、2つの重要な制限がある。 物理的パラメータの小さなバリエーションのために、スクラッチから再訓練されなければならない。 これは非効率であり、パラメータの異なるシミュレーションは共通の潜在構造を共有することが多い。 本稿では,条件付きニューラルプロセスを用いて,グラフトラジェクトリを符号化して潜在表現を生成するアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 25.80703650406406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately simulating physics is crucial across scientific domains, with applications spanning from robotics to materials science. While traditional mesh-based simulations are precise, they are often computationally expensive and require knowledge of physical parameters, such as material properties. In contrast, data-driven approaches like Graph Network Simulators (GNSs) offer faster inference but suffer from two key limitations: Firstly, they must be retrained from scratch for even minor variations in physical parameters, and secondly they require labor-intensive data collection for each new parameter setting. This is inefficient, as simulations with varying parameters often share a common underlying latent structure. In this work, we address these challenges by learning this shared structure through meta-learning, enabling fast adaptation to new physical parameters without retraining. To this end, we propose a novel architecture that generates a latent representation by encoding graph trajectories using conditional neural processes (CNPs). To mitigate error accumulation over time, we combine CNPs with a novel neural operator architecture. We validate our approach, Meta Neural Graph Operator (MaNGO), on several dynamics prediction tasks with varying material properties, demonstrating superior performance over existing GNS methods. Notably, MaNGO achieves accuracy on unseen material properties close to that of an oracle model.
• Abstract（参考訳）: 物理を正確にシミュレートすることは、ロボット工学から材料科学まで、科学分野において極めて重要である。 従来のメッシュベースのシミュレーションは正確だが、しばしば計算コストが高く、材料特性などの物理パラメータの知識を必要とする。 対照的に、グラフネットワークシミュレータ(GNS)のようなデータ駆動型アプローチは、より高速な推論を提供するが、2つの重要な制限がある。 これは非効率であり、パラメータの異なるシミュレーションは共通の潜在構造を共有することが多い。 本研究では、メタラーニングを通じて共有構造を学習することでこれらの課題に対処し、再学習せずに新しい物理パラメータへの迅速な適応を可能にする。 そこで本研究では,条件付きニューラルプロセス(CNP)を用いたグラフトラジェクトリの符号化により潜在表現を生成するアーキテクチャを提案する。 時間とともにエラーの蓄積を軽減するため、我々はCNPと新しいニューラル演算子アーキテクチャを組み合わせる。 提案手法であるMeta Neural Graph Operator (MaNGO) を材料特性の異なるいくつかの動的予測タスクで検証し,既存のGNS法よりも優れた性能を示す。 特に、MaNGOは、オラクルモデルに近い未確認の材料特性の精度を達成する。

関連論文リスト

• Facet: highly efficient E(3)-equivariant networks for interatomic potentials [6.741915610607818]
  計算材料発見は、第一原理計算の高コストによって制限される。 結晶構造からエネルギーを予測する機械学習のポテンシャルは有望だが、既存の手法では計算のボトルネックに直面している。 効率的なMLポテンシャルのためのGNNアーキテクチャであるFacetを提案する。
  論文  参考訳（メタデータ） (2025-09-10T09:06:24Z)
• Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
  本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。 ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。 複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
  論文  参考訳（メタデータ） (2025-04-02T05:50:19Z)
• MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network [1.275845610262865]
  従来の有限要素法(FEM)に基づくシミュレーションは計算コストが高く、リアルタイムシナリオでは実用的ではない。 混合材料シミュレーションのための物理インフォームドグラフニューラルネットワーク(GNN)フレームワークMIXPINNを紹介する。 バイオメカニカル構造のグラフベース表現を活用することで、MIXPINNはFEM生成データから高忠実度変形を学習し、サブミリ秒精度でリアルタイムな推論を実現する。
  論文  参考訳（メタデータ） (2025-03-17T12:48:29Z)
• Physics-informed MeshGraphNets (PI-MGNs): Neural finite element solvers for non-stationary and nonlinear simulations on arbitrary meshes [13.41003911618347]
  PI-MGNは、PINNとMGNを組み合わせて任意のメッシュ上の非定常および非線形偏微分方程式(PDE)を解くハイブリッドアプローチである。 結果は、モデルが大規模で複雑なメッシュにうまくスケールしていることを示しているが、小さなジェネリックメッシュでのみトレーニングされている。
  論文  参考訳（メタデータ） (2024-02-16T13:34:51Z)
• Latent Task-Specific Graph Network Simulators [16.881339139068018]
  グラフネットワークシミュレータ(GNS)は、従来の物理ベースのシミュレータに代わる効率的な代替手段である。 メッシュに基づくシミュレーションをメタラーニング問題とし,最近のベイズメタラーニング手法を用いて新たなシナリオへのGASの適応性を向上させる。 提案手法の有効性を,様々な実験により検証し,確立されたベースライン法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2023-11-09T10:30:51Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• 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)
• Conditionally Parameterized, Discretization-Aware Neural Networks for Mesh-Based Modeling of Physical Systems [0.0]
  入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。 条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。 CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
  論文  参考訳（メタデータ） (2021-09-15T20:21:13Z)
• GradInit: Learning to Initialize Neural Networks for Stable and Efficient Training [59.160154997555956]
  ニューラルネットワークを初期化するための自動化およびアーキテクチャ手法であるgradinitを提案する。 各ネットワーク層の分散は、SGDまたはAdamの単一ステップが最小の損失値をもたらすように調整される。 また、学習率のウォームアップを伴わずに、オリジナルのPost-LN Transformerを機械翻訳用にトレーニングすることもできる。
  論文  参考訳（メタデータ） (2021-02-16T11:45:35Z)
• 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)

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。