論文の概要: CORGI: GNNs with Convolutional Residual Global Interactions for Lagrangian Simulation

• arxiv url: http://arxiv.org/abs/2511.22938v1
• Date: Fri, 28 Nov 2025 07:26:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.802121
• Title: CORGI: GNNs with Convolutional Residual Global Interactions for Lagrangian Simulation
• Title（参考訳）: CORGI:ラグランジアンシミュレーションのための畳み込み残差グローバルインタラクション付きGNN
• Authors: Ethan Ji, Yuanzhou Chen, Arush Ramteke, Fang Sun, Tianrun Yu, Jai Parera, Wei Wang, Yizhou Sun,
• Abstract要約: 我々はCORGI(Convolutional Residual Global Interactions)というハイブリッドアーキテクチャを導入し、グローバルコンテキストアグリゲーションのための軽量なEulerianコンポーネントでGNNベースの解決機能を拡張した。 GNSバックボーンに適用すると、CORGIのロールアウト精度は57%向上し、推論時間はわずか13%、トレーニング時間は31%向上した。
• 参考スコア（独自算出の注目度）: 32.83908739007555
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Partial differential equations (PDEs) are central to dynamical systems modeling, particularly in hydrodynamics, where traditional solvers often struggle with nonlinearity and computational cost. Lagrangian neural surrogates such as GNS and SEGNN have emerged as strong alternatives by learning from particle-based simulations. However, these models typically operate with limited receptive fields, making them inaccurate for capturing the inherently global interactions in fluid flows. Motivated by this observation, we introduce Convolutional Residual Global Interactions (CORGI), a hybrid architecture that augments any GNN-based solver with a lightweight Eulerian component for global context aggregation. By projecting particle features onto a grid, applying convolutional updates, and mapping them back to the particle domain, CORGI captures long-range dependencies without significant overhead. When applied to a GNS backbone, CORGI achieves a 57% improvement in rollout accuracy with only 13% more inference time and 31% more training time. Compared to SEGNN, CORGI improves accuracy by 49% while reducing inference time by 48% and training time by 30%. Even under identical runtime constraints, CORGI outperforms GNS by 47% on average, highlighting its versatility and performance on varied compute budgets.
• Abstract（参考訳）: 偏微分方程式 (Partial differential equation, PDE) は力学系のモデリングの中心であり、特に流体力学において伝統的な解法は非線形性や計算コストに苦しむ。 GNSやSEGNNのようなラグランジアン神経サロゲートは、粒子ベースのシミュレーションから学習することで強力な代替手段として出現している。 しかし、これらのモデルは通常、限られた受容場で動作し、流体中の本質的に大域的な相互作用を捉えるのに不正確である。 本報告では,GNN ベースのコンテクストアグリゲーションのための軽量な Eulerian コンポーネントにより,GNN ベースの解法を拡張可能なハイブリッドアーキテクチャである Convolutional Residual Global Interactions (CORGI) を紹介する。 パーティクル機能をグリッドに投影し、畳み込み更新を適用し、それらをパーティクルドメインにマッピングすることで、CORGIは大きなオーバーヘッドなしに長距離依存関係をキャプチャする。 GNSバックボーンに適用すると、CORGIのロールアウト精度は57%向上し、推論時間はわずか13%、トレーニング時間は31%向上した。 SEGNNと比較して、CORGIは推論時間を48%、トレーニング時間を30%削減し、精度を49%向上させる。 同一のランタイム制約の下でも、CORGIはGNSを平均で47%上回り、様々な計算予算における汎用性とパフォーマンスを強調している。

関連論文リスト

• Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics [71.53370807809296]
  最近のグラフニューラルシミュレータ(GNS)は、グラフ構造化データ上での動的学習によりシミュレーションを加速する。 ハミルトン力学の原理に基づいて構築されたグラフベースニューラルネットワークであるIGNS(Information-serving Graph Neural Simulator)を提案する。 IGNSは最先端のGNSを一貫して上回り、挑戦的で複雑な力学系の下で高い精度と安定性を達成する。
  論文  参考訳（メタデータ） (2025-11-11T12:53:56Z)
• ReLACE: A Resource-Efficient Low-Latency Cortical Acceleration Engine [0.0]
  我々は, Cortical Neural Pool architecture with a CORDIC-based Hodgkin Huxley (RCHH) neuron modelを提案する。 RCHHニューロンのFPGA実装は、24.5%のLUT削減と35.2%の改善速度を示している。 この設計は、リソース制約のあるエッジAIアプリケーションのための生物学的に正確で低リソースのスパイクニューラルネットワークの実装を示している。
  論文  参考訳（メタデータ） (2025-10-20T10:33:50Z)
• JEDI-linear: Fast and Efficient Graph Neural Networks for Jet Tagging on FPGAs [36.158374493924455]
  グラフニューラルネットワーク (GNN) は、CERN High Luminosity Large Hadron Collider (HLLHC) において、ジェットタグの異常な性能を示した。 本稿では,線形計算複雑性を持つ新しいGNNアーキテクチャであるJEDI-linearを提案する。 これは60ns未満のレイテンシを達成した初めてのインタラクションベースのGNNであり、現在はHL-LHC CMS Level-1トリガシステムで使用される要件を満たしている。
  論文  参考訳（メタデータ） (2025-08-21T11:40:49Z)
• Research on Low-Latency Inference and Training Efficiency Optimization for Graph Neural Network and Large Language Model-Based Recommendation Systems [4.633338944734091]
  本研究では、ハイブリッドグラフニューラルネットワーク(GNN)とLarge Language Model(LLM)ベースのレコメンデータシステム(ReS)における計算ボトルネックについて考察する。 FPGAとLoRAをリアルタイムデプロイメントに使用することを推奨している。
  論文  参考訳（メタデータ） (2025-06-21T03:10:50Z)
• Efficient Mixed Precision Quantization in Graph Neural Networks [7.161966906570077]
  グラフニューラルネットワーク(GNN)は,大規模グラフアプリケーションの処理に不可欠である。 混合精度量子化は、GNNアーキテクチャの効率を高めるための有望な解決策として現れる。
  論文  参考訳（メタデータ） (2025-05-14T13:11:39Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Three-dimensional granular flow simulation using graph neural network-based learned simulator [2.153852088624324]
  グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。 シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。 GNSの速度は300倍の高忠実度数値シミュレータを上回る。
  論文  参考訳（メタデータ） (2023-11-13T15:54:09Z)
• 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)
• Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration [72.15369769265398]
  実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。 最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:10Z)
• Low-Precision Training in Logarithmic Number System using Multiplicative Weight Update [49.948082497688404]
  大規模ディープニューラルネットワーク(DNN)のトレーニングは、現在かなりの量のエネルギーを必要としており、深刻な環境影響をもたらす。 エネルギーコストを削減するための有望なアプローチの1つは、DNNを低精度で表現することである。 対数数システム(LNS)と乗算重み更新訓練法(LNS-Madam)を併用した低精度トレーニングフレームワークを共同で設計する。
  論文  参考訳（メタデータ） (2021-06-26T00:32:17Z)

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。