論文の概要: A Roadmap for Applying Graph Neural Networks to Numerical Data: Insights from Cementitious Materials

• arxiv url: http://arxiv.org/abs/2512.14855v1
• Date: Tue, 16 Dec 2025 19:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.760665
• Title: A Roadmap for Applying Graph Neural Networks to Numerical Data: Insights from Cementitious Materials
• Title（参考訳）: グラフニューラルネットワークを数値データに適用するためのロードマップ:セメント材料からの考察
• Authors: Mahmuda Sharmin, Taihao Han, Jie Huang, Narayanan Neithalath, Gaurav Sant, Aditya Kumar,
• Abstract要約: この研究は、コンクリートを設計するためのグラフニューラルネットワーク(GNN)モデルを実装するための最初の数少ない研究の1つである。 GNNはグラフとして構造化されたデータから学習し、不規則またはトポロジに依存した接続を通じて関係をキャプチャする。 提案するフレームワークは、将来のマルチモーダルおよび物理インフォームドGNNモデルの強力な基盤を確立する。
• 参考スコア（独自算出の注目度）: 5.565428903960444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) has been increasingly applied in concrete research to optimize performance and mixture design. However, one major challenge in applying ML to cementitious materials is the limited size and diversity of available databases. A promising solution is the development of multi-modal databases that integrate both numerical and graphical data. Conventional ML frameworks in cement research are typically restricted to a single data modality. Graph neural network (GNN) represents a new generation of neural architectures capable of learning from data structured as graphs, capturing relationships through irregular or topology-dependent connections rather than fixed spatial coordinates. While GNN is inherently designed for graphical data, they can be adapted to extract correlations from numerical datasets and potentially embed physical laws directly into their architecture, enabling explainable and physics-informed predictions. This work is among the first few studies to implement GNNs to design concrete, with a particular emphasis on establishing a clear and reproducible pathway for converting tabular data into graph representations using the k-nearest neighbor (K-NN) approach. Model hyperparameters and feature selection are systematically optimized to enhance prediction performance. The GNN shows performance comparable to the benchmark random forest, which has been demonstrated by many studies to yield reliable predictions for cementitious materials. Overall, this study provides a foundational roadmap for transitioning from traditional ML to advanced AI architectures. The proposed framework establishes a strong foundation for future multi-modal and physics-informed GNN models capable of capturing complex material behaviors and accelerating the design and optimization of cementitious materials.
• Abstract（参考訳）: 機械学習(ML)は、パフォーマンスと混合設計を最適化するために、具体的な研究にますます応用されている。 しかし、MLをセメント材料に適用する上での大きな課題は、利用可能なデータベースのサイズと多様性の制限である。 有望な解決策は、数値データとグラフィカルデータの両方を統合するマルチモーダルデータベースの開発である。 セメント研究における従来のMLフレームワークは通常、単一のデータモダリティに制限される。 グラフニューラルネットワーク(GNN)は,グラフとして構造化されたデータから学習可能な,固定された空間座標ではなく,不規則あるいはトポロジに依存した接続を通じて関係をキャプチャする,新たな世代のニューラルネットワークである。 GNNは本質的にはグラフィカルデータ用に設計されているが、数値的なデータセットから相関関係を抽出し、物理法則を直接アーキテクチャに組み込むことで、説明可能および物理インフォームド予測を可能にすることができる。 この研究は、具体的な設計のためにGNNを実装するための最初の研究であり、特に、k-nearest neighbor(K-NN)アプローチを用いて、グラフデータをグラフ表現に変換する明確で再現可能な経路を確立することに焦点を当てている。 モデルハイパーパラメータと特徴選択は、予測性能を向上させるために体系的に最適化される。 GNNは、セメント材料に対する信頼性の高い予測を得るために、多くの研究によって実証されたベンチマークランダムフォレストに匹敵する性能を示す。 全体として、この研究は、従来のMLから高度なAIアーキテクチャに移行するための基本的なロードマップを提供する。 提案フレームワークは, 複雑な材料挙動を把握し, セメント材料の設計と最適化を促進できる, 将来の多モード・物理インフォームドGNNモデルの強力な基盤を確立する。

関連論文リスト

• Recurrent U-Net-Based Graph Neural Network (RUGNN) for Accurate Deformation Predictions in Sheet Material Forming [13.180335574191432]
  本研究では,Recurrent U Net-based Graph Neural Network (RUGNN) と呼ばれる新しいグラフニューラルネットワークサロゲートモデルを開発した。 RUGNNモデルは、複数の成形時間ステップにわたるシート材料変形場の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2025-07-10T08:14:18Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
  本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。 最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。 解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
  論文  参考訳（メタデータ） (2023-11-13T18:37:07Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)

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。