論文の概要: Parameter-Efficient Conditioning for Material Generalization in Graph-Based Simulators

• arxiv url: http://arxiv.org/abs/2511.05456v1
• Date: Fri, 07 Nov 2025 17:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.851757
• Title: Parameter-Efficient Conditioning for Material Generalization in Graph-Based Simulators
• Title（参考訳）: グラフベースシミュレータにおける材料一般化のためのパラメータ効率の良い条件付け
• Authors: Naveen Raj Manoharan, Hassan Iqbal, Krishna Kumar,
• Abstract要約: グラフネットワークベースのシミュレータ(GNS)は、粒子ベースの物理学を学ぶ強力な可能性を示している。 既存のモデルは通常、単一の素材タイプのために訓練され、異なる振る舞いを一般化することができない。 本稿では,GNSモデルを材料パラメータに適応させるパラメータ効率条件付け機構を提案する。
• 参考スコア（独自算出の注目度）: 2.504298819189614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph network-based simulators (GNS) have demonstrated strong potential for learning particle-based physics (such as fluids, deformable solids, and granular flows) while generalizing to unseen geometries due to their inherent inductive biases. However, existing models are typically trained for a single material type and fail to generalize across distinct constitutive behaviors, limiting their applicability in real-world engineering settings. Using granular flows as a running example, we propose a parameter-efficient conditioning mechanism that makes the GNS model adaptive to material parameters. We identify that sensitivity to material properties is concentrated in the early message-passing (MP) layers, a finding we link to the local nature of constitutive models (e.g., Mohr-Coulomb) and their effects on information propagation. We empirically validate this by showing that fine-tuning only the first few (1-5) of 10 MP layers of a pretrained model achieves comparable test performance as compared to fine-tuning the entire network. Building on this insight, we propose a parameter-efficient Feature-wise Linear Modulation (FiLM) conditioning mechanism designed to specifically target these early layers. This approach produces accurate long-term rollouts on unseen, interpolated, or moderately extrapolated values (e.g., up to 2.5 degrees for friction angle and 0.25 kPa for cohesion) when trained exclusively on as few as 12 short simulation trajectories from new materials, representing a 5-fold data reduction compared to a baseline multi-task learning method. Finally, we validate the model's utility by applying it to an inverse problem, successfully identifying unknown cohesion parameters from trajectory data. This approach enables the use of GNS in inverse design and closed-loop control tasks where material properties are treated as design variables.
• Abstract（参考訳）: グラフネットワークベースのシミュレータ(GNS)は、粒子ベースの物理(流体、変形可能な固体、粒状流など)を学習する上で強力な可能性を示しつつ、その固有な帰納バイアスのために未確認の幾何学に一般化している。 しかし、既存のモデルは、通常、単一の素材タイプのために訓練され、異なる構成的な振る舞いを一般化することができず、現実のエンジニアリング環境での適用性が制限される。 本稿では, 粒状流を実例として, GNSモデルを材料パラメータに適応させるパラメータ効率条件付け機構を提案する。 我々は,物質特性に対する感度が初期メッセージパッシング(MP)層に集中していること,構成モデル(例えば,Mohr-Coulomb)の局所的性質と情報伝達への影響を同定した。 プレトレーニング済みモデルの10MP層のうち,最初の数層 (1-5) のみを微調整することで,ネットワーク全体の微調整に比べてテスト性能が同等であることを示し,これを実証的に検証した。 この知見に基づいて,これらの初期層を特に対象とするパラメータ効率の高い特徴量線形変調(FiLM)条件付け機構を提案する。 このアプローチは、新しい材料からの12個の短いシミュレーション軌跡に限定して訓練した場合、未確認、補間、または適度に外挿された値(例えば、摩擦角2.5度、凝集率0.25kPa)に対して正確な長期ロールアウトを生成し、ベースラインのマルチタスク学習法と比較して5倍のデータ削減を表す。 最後に、逆問題に適用し、軌道データから未知の凝集パラメータを同定し、モデルの有用性を検証する。 このアプローチにより、材料特性を設計変数として扱う逆設計および閉ループ制御タスクにGNSを使用できる。

関連論文リスト

• MaNGO - Adaptable Graph Network Simulators via Meta-Learning [25.80703650406406]
  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。
  論文  参考訳（メタデータ） (2025-10-07T12:44:24Z)
• Language Models as Zero-shot Lossless Gradient Compressors: Towards General Neural Parameter Prior Models [56.00251589760559]
  大型言語モデル(LLM)はゼロショット設定でグラデーション先行として振る舞うことができる。 本稿では,LSMと算術符号を統合する新しい手法であるLM-GCを紹介する。 実験により、LM-GCは既存の最先端のロスレス圧縮手法を超越していることが示された。
  論文  参考訳（メタデータ） (2024-09-26T13:38:33Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• A data-driven peridynamic continuum model for upscaling molecular dynamics [3.1196544696082613]
  分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。 我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。 このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
  論文  参考訳（メタデータ） (2021-08-04T07:07:47Z)

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。