論文の概要: Neural Particle Automata: Learning Self-Organizing Particle Dynamics

• arxiv url: http://arxiv.org/abs/2601.16096v1
• Date: Thu, 22 Jan 2026 16:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.654837
• Title: Neural Particle Automata: Learning Self-Organizing Particle Dynamics
• Title（参考訳）: ニューラル・パーティクル・オートマタ: 自己組織的粒子ダイナミクスを学習する
• Authors: Hyunsoo Kim, Ehsan Pajouheshgar, Sabine Süsstrunk, Wenzel Jakob, Jinah Park,
• Abstract要約: ニューラルセルオートマタ(NCA)のラグランジアン一般化であるParticle Automata(NPA)を紹介する。 NPAはそれぞれの細胞を連続的な位置と内部状態を持つ粒子としてモデル化し、どちらも共有され学習可能なニューラルルールによって更新される。 我々は,NPAが粒子系に固有の新しい挙動を許容しつつ,ロバスト性や自己再生などの重要なNCA挙動を保っていることを示す。
• 参考スコア（独自算出の注目度）: 28.914778832424066
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce Neural Particle Automata (NPA), a Lagrangian generalization of Neural Cellular Automata (NCA) from static lattices to dynamic particle systems. Unlike classical Eulerian NCA where cells are pinned to pixels or voxels, NPA model each cell as a particle with a continuous position and internal state, both updated by a shared, learnable neural rule. This particle-based formulation yields clear individuation of cells, allows heterogeneous dynamics, and concentrates computation only on regions where activity is present. At the same time, particle systems pose challenges: neighborhoods are dynamic, and a naive implementation of local interactions scale quadratically with the number of particles. We address these challenges by replacing grid-based neighborhood perception with differentiable Smoothed Particle Hydrodynamics (SPH) operators backed by memory-efficient, CUDA-accelerated kernels, enabling scalable end-to-end training. Across tasks including morphogenesis, point-cloud classification, and particle-based texture synthesis, we show that NPA retain key NCA behaviors such as robustness and self-regeneration, while enabling new behaviors specific to particle systems. Together, these results position NPA as a compact neural model for learning self-organizing particle dynamics.
• Abstract（参考訳）: 静的格子から動的粒子系へのニューラルセルオートマタ(NCA)のラグランジアン一般化であるニューラル粒子オートマタ(NPA)を導入する。 セルをピクセルやボクセルに固定する古典的ユーレリア式NAAとは異なり、NPAは各セルを連続的な位置と内部状態を持つ粒子としてモデル化する。 この粒子ベースの定式化は、細胞の明確な分割をもたらし、不均一なダイナミクスを可能にし、活性が存在する領域のみに計算を集中させる。 近傍は動的であり、局所的な相互作用の自然な実装は粒子の数と2次的にスケールする。 これらの課題に対処するために、グリッドベースの近傍認識を、メモリ効率の高いCUDA加速カーネルをベースとした微分Smoothed Particle Hydrodynamics (SPH)演算子に置き換え、スケーラブルなエンドツーエンドトレーニングを実現する。 形態形成, 点雲分類, 粒子ベースのテクスチャ合成などのタスクにおいて, NPAは粒子系に特有の新しい挙動を可能としつつ, 堅牢性や自己再生といった重要なNCAの挙動を保っていることを示す。 これらの結果は、NPAを自己組織化粒子力学を学習するためのコンパクトニューラルネットワークとして位置づける。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Neural force functional for non-equilibrium many-body colloidal systems [0.20971479389679337]
  パワー関数理論と機械学習を組み合わせて、コロイド粒子の非平衡過剰多体系を研究する。 まず、ブラウン粒子のコンピュータシミュレーションから、一体場を定常にサンプリングする。 ニューラルネットワークは、このデータを用いて訓練され、一体密度と速度プロファイルから一体の内部力場への公式な正確に機能的なマッピングを宇宙空間で局所的に表現する。
  論文  参考訳（メタデータ） (2024-06-05T19:57:23Z)
• 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)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• 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)
• Fast Simulation of Particulate Suspensions Enabled by Graph Neural Network [21.266813711114153]
  我々は、ストークス懸濁液中の粒子の力学を推論し、予測するための新しい枠組み、流体力学的相互作用グラフニューラルネットワーク(HIGNN)を導入する。 これは計算効率、精度、および/または転送可能性における従来のアプローチの限界を克服する。 提案するHIGNNフレームワークの精度,効率,転送性について,多種多様なシステムで検証した。
  論文  参考訳（メタデータ） (2022-06-17T14:05:53Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)

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。