論文の概要: Finding geodesics with the Deep Ritz method
- arxiv url: http://arxiv.org/abs/2510.15177v2
- Date: Wed, 05 Nov 2025 02:45:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 16:07:40.078883
- Title: Finding geodesics with the Deep Ritz method
- Title（参考訳）: ディープ・リッツ法による測地学の発見
- Authors: Conor Rowan,
- Abstract要約: それらの単純幾何、変分構造、および自然な非線形性を考えると、測地問題はディープ・リッツ法に特に適していると論じる。
我々はこの主張を、経路計画、光学、固体力学、生成モデリングから引き出された4つの数値例で裏付ける。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geodesic problems involve computing trajectories between prescribed initial and final states to minimize a user-defined measure of distance, cost, or energy. They arise throughout physics and engineering -- for instance, in determining optimal paths through complex environments, modeling light propagation in refractive media, and the study of spacetime trajectories in control theory and general relativity. Despite their ubiquity, the scientific machine learning (SciML) community has given relatively little attention to investigating its methods in the context of these problems. In this work, we argue that given their simple geometry, variational structure, and natural nonlinearity, geodesic problems are particularly well-suited for the Deep Ritz method. We substantiate this claim with four numerical examples drawn from path planning, optics, solid mechanics, and generative modeling. Our goal is not to provide an exhaustive study of geodesic problems, but rather to identify a promising application of the Deep Ritz method and a fruitful direction for future SciML research.
- Abstract（参考訳）: 測地問題は、ユーザーが定義した距離、コスト、エネルギーの測度を最小化するために、所定の初期状態と最終状態の間の軌跡を計算することである。
例えば、複雑な環境を通る最適な経路の決定、屈折性媒質における光の伝播のモデル化、制御理論と一般相対性理論における時空軌道の研究などである。
その普遍性にもかかわらず、科学機械学習(SciML)コミュニティは、これらの問題の文脈におけるその手法の調査に、比較的注意を払っていない。
この研究において、それらの単純幾何、変分構造、および自然な非線形性を考えると、測地問題はディープ・リッツ法に特に適している。
我々はこの主張を、経路計画、光学、固体力学、生成モデリングから引き出された4つの数値例で裏付ける。
我々のゴールは、測地学的な問題を徹底的に研究することではなく、Deep Ritz法の有望な応用と、将来のSciML研究のための実りある方向性を特定することである。
関連論文リスト
- Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。
本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
論文 参考訳（メタデータ） (2026-01-20T18:46:42Z) - Physics- and geometry-aware spatio-spectral graph neural operator for time-independent and time-dependent PDEs [0.9208007322096533]
時間非依存および時間依存PDEの解演算子を学習するための物理・幾何学対応時空間グラフニューラル演算子を提案する。
提案手法は,最近開発されたSp$2$GNOに対して,幾何学的認識を可能にして改善する。
時間依存問題に対しては、高階時間マーチングスキームと高階理論にインスパイアされた射影を組み合わせた新しいハイブリッド物理情報損失関数も導入する。
論文 参考訳（メタデータ） (2025-08-13T08:59:04Z) - A Survey of Deep Learning for Geometry Problem Solving [52.90604903858389]
幾何学的問題解決は、教育、AIの数学的能力の評価、マルチモーダル能力の評価など、様々な領域で不可欠である。
近年のディープラーニング技術、特にマルチモーダルな大規模言語モデルの出現は、この分野の研究を著しく加速させている。
論文 参考訳（メタデータ） (2025-07-16T06:03:08Z) - Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。
これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。
EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2025-05-23T12:18:08Z) - Physics-informed Neural Motion Planning on Constraint Manifolds [6.439800184169697]
Constrained Motion Planning (CMP) は、運動論的制約多様体上の与えられた開始と目標設定の間の衝突のない経路を見つけることを目的としている。
制約多様体上のアイコン方程式を解き、専門家データなしでCMPの神経機能を訓練する最初の物理インフォームドCMPフレームワークを提案する。
提案手法は,方向制約下での物体操作や,高次元6-DOFロボットマニピュレータを用いたドア開口など,シミュレーションおよび実世界の様々なCMP問題を効率的に解決する。
論文 参考訳（メタデータ） (2024-03-09T02:24:02Z) - Short and Straight: Geodesics on Differentiable Manifolds [6.85316573653194]
本研究では,測地線長を最小化するための既存の手法をまず解析する。
次に,連続多様体上の距離場と測地流のモデルに基づくパラメータ化を提案する。
第3に,Ricciスカラーのより大きい値を示す多様体の領域において,曲率に基づくトレーニング機構,サンプリングおよびスケーリングポイントを開発する。
論文 参考訳（メタデータ） (2023-05-24T15:09:41Z) - Detecting hidden structures from a static loading experiment: topology optimization meets physics-informed neural networks [0.1227734309612871]
隠れた測地を識別するPINNに基づくトポロジ最適化フレームワークを提案する。
我々は,隠れた空洞と包含物の数,位置,形状を検出することによって,我々の枠組みを検証する。
本手法は,工学における幾何最適化問題を解くためのPINNの経路を開く。
論文 参考訳（メタデータ） (2023-03-13T12:44:32Z) - Investigating and Mitigating Failure Modes in Physics-informed Neural
Networks (PINNs) [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた偏微分方程式(PDE)の解法について検討する。
PINNは客観的関数の正規化用語として物理を用いるが、この手法はデータの欠如や解の事前知識の欠如において実用的ではない。
以上の結果から,高次PDEは逆伝播勾配を汚染し,収束を阻害することが明らかとなった。
論文 参考訳（メタデータ） (2022-09-20T20:46:07Z) - Encoding physics to learn reaction-diffusion processes [18.187800601192787]
物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。
物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
論文 参考訳（メタデータ） (2021-06-09T03:02:20Z) - Inter-GPS: Interpretable Geometry Problem Solving with Formal Language
and Symbolic Reasoning [123.06420835072225]
3,002の幾何学的問題と密接なアノテーションを形式言語に含む新しい大規模ベンチマークGeometry3Kを構築します。
我々は、Interpretable Geometry Problemsolvr (Inter-GPS)と呼ばれる形式言語と記号推論を用いた新しい幾何学的解法を提案する。
イントラGPSは定理の知識を条件付き規則として取り入れ、記号的推論を段階的に行う。
論文 参考訳（メタデータ） (2021-05-10T07:46:55Z) - Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。
本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
論文 参考訳（メタデータ） (2021-03-29T10:36:25Z) - Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。
ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。
次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2021-02-05T04:25:28Z) - Geometric Entropic Exploration [52.67987687712534]
離散領域と連続領域の両方における状態ビジットの幾何認識シャノンエントロピーを最大化する新しいアルゴリズムを導入する。
私たちの重要な理論的貢献は、単純で新しいノイズコントラストの客観的関数を最適化する牽引可能な問題としてジオメトリ認識MSVE探索を鋳造することです。
実験では,他の深部RL探査手法と比較して,疎度な報酬を伴う複数のRL問題の解法におけるGEMの効率性を示した。
論文 参考訳（メタデータ） (2021-01-06T14:15:07Z)
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。