Fugu-MT 論文翻訳(概要): Graph Neural Networks for Interferometer Simulations

論文の概要: Graph Neural Networks for Interferometer Simulations

arxiv url: http://arxiv.org/abs/2512.16051v1
Date: Thu, 18 Dec 2025 00:17:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-19 18:10:31.86282
Title: Graph Neural Networks for Interferometer Simulations
Title（参考訳）: 干渉計シミュレーションのためのグラフニューラルネットワーク
Authors: Sidharth Kannan, Pooyan Goodarzi, Evangelos E. Papalexakis, Jonathan W. Richardson,
Abstract要約: 本稿では,物理科学におけるグラフニューラルネットワーク(GNN)の新しい応用として,インスツルメンテーション設計を提案する。ケーススタディとして、LIGO(Laser Interferometertational-Wave Observatory)のモデルシミュレーションにGNNを適用する。そこで本研究では,複雑な光学物理を正確に把握できると同時に,シミュレーションパッケージの状態の815倍の速度で実行可能であることを示す。
参考スコア（独自算出の注目度）: 2.129087822677988
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: In recent years, graph neural networks (GNNs) have shown tremendous promise in solving problems in high energy physics, materials science, and fluid dynamics. In this work, we introduce a new application for GNNs in the physical sciences: instrumentation design. As a case study, we apply GNNs to simulate models of the Laser Interferometer Gravitational-Wave Observatory (LIGO) and show that they are capable of accurately capturing the complex optical physics at play, while achieving runtimes 815 times faster than state of the art simulation packages. We discuss the unique challenges this problem provides for machine learning models. In addition, we provide a dataset of high-fidelity optical physics simulations for three interferometer topologies, which can be used as a benchmarking suite for future work in this direction.
Abstract（参考訳）: 近年、グラフニューラルネットワーク(GNN)は、高エネルギー物理学、材料科学、流体力学の問題解決において大きな可能性を示している。本稿では,物理科学におけるGNNの新しい応用として,インスツルメンテーション設計について紹介する。本稿では, LIGO(Laser Interferometer Gravitational-Wave Observatory, レーザー干渉計重力波観測装置)のモデルシミュレーションにGNNを適用し, 動作時の複雑な光学物理を正確に捉えつつ, 現状のシミュレーションパッケージの815倍の速度で実行可能であることを示す。我々は、この問題が機械学習モデルにもたらすユニークな課題について論じる。さらに,3つの干渉計トポロジに対する高忠実度光物理シミュレーションのデータセットを提供する。

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)
Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics [40.190675168132124]
動的構造問題のサロゲートモデリングのためのGNNフレームワークであるGNSS(Graph Network-based Structure Simulator)を紹介する。我々は、50kHzのハニング変調パルスで励起されたビームを含むケーススタディについて評価した。その結果、数百の時間経過で問題の物理を正確に再現し、既存のGNNが収束しなかったり、有意義な予測を下さなければ、見つからない負荷条件に一般化することを示した。
論文参考訳（メタデータ） (2025-10-29T16:47:24Z)
GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文参考訳（メタデータ） (2024-12-23T18:58:17Z)
Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
論文参考訳（メタデータ） (2024-10-05T10:32:51Z)
Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
論文参考訳（メタデータ） (2024-02-09T09:40:12Z)
SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文参考訳（メタデータ） (2023-08-25T07:15:58Z)
Magnetohydrodynamics with Physics Informed Neural Operators [2.588973722689844]
本稿では,AIを用いて複雑なシステムのモデリングを,計算コストのごく一部で高速化する方法について検討する。本稿では,2次元非圧縮性磁気流体力学シミュレーションのモデル化のための物理情報演算子の最初の応用について述べる。
論文参考訳（メタデータ） (2023-02-13T19:00:00Z)
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)
ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文参考訳（メタデータ） (2021-03-02T03:09:06Z)
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)
Physics-Guided Machine Learning for Scientific Discovery: An Application in Simulating Lake Temperature Profiles [8.689056739160593]
本稿では,RNNと物理モデルを組み合わせた物理誘導リカレントニューラルネットワークモデル(PGRNN)を提案する。 PGRNNは物理法則と整合した出力を生成しながら、物理モデルよりも予測精度を向上させることができることを示す。湖沼の温度のダイナミクスをモデル化する文脈において,本手法を提示し,評価するが,より広い範囲の科学・工学分野に適用できる。
論文参考訳（メタデータ） (2020-01-28T15:44:45Z)

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。