論文の概要: Artificial Intelligence and Symmetries: Learning, Encoding, and Discovering Structure in Physical Data

• arxiv url: http://arxiv.org/abs/2602.02351v1
• Date: Mon, 02 Feb 2026 17:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.317005
• Title: Artificial Intelligence and Symmetries: Learning, Encoding, and Discovering Structure in Physical Data
• Title（参考訳）: 人工知能と対称性:物理データの構造の学習、エンコーディング、発見
• Authors: Veronica Sanz,
• Abstract要約: データ駆動型アプローチと潜在表現学習に重点を置いています。 本稿では,物理データセットの内在的次元性を低減するための対称性と保存法則について論じる。 我々は、明示的な帰納バイアスを伴わない対称性構造を推論する理論的および実践的な限界を分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Symmetries play a central role in physics, organizing dynamics, constraining interactions, and determining the effective number of physical degrees of freedom. In parallel, modern artificial intelligence methods have demonstrated a remarkable ability to extract low-dimensional structure from high-dimensional data through representation learning. This review examines the interplay between these two perspectives, focusing on the extent to which symmetry-induced constraints can be identified, encoded, or diagnosed using machine learning techniques. Rather than emphasizing architectures that enforce known symmetries by construction, we concentrate on data-driven approaches and latent representation learning, with particular attention to variational autoencoders. We discuss how symmetries and conservation laws reduce the intrinsic dimensionality of physical datasets, and how this reduction may manifest itself through self-organization of latent spaces in generative models trained to balance reconstruction and compression. We review recent results, including case studies from simple geometric systems and particle physics processes, and analyze the theoretical and practical limitations of inferring symmetry structure without explicit inductive bias.
• Abstract（参考訳）: 対称性は物理学において中心的な役割を果たし、力学を整理し、相互作用を制限し、物理自由度の有効数を決定する。 並行して、現代の人工知能手法は、表現学習を通じて高次元データから低次元構造を抽出する顕著な能力を示している。 本稿では,これらの2つの視点の相互作用を考察し,機械学習技術を用いて対称性による制約を識別・符号化・診断できる程度に焦点をあてる。 構築によって既知の対称性を強制するアーキテクチャを強調するのではなく、データ駆動型アプローチと潜在表現学習に重点を置いており、特に変分オートエンコーダに注目している。 本稿では, 物理データセットの内在的次元性を減少させる対称性と保存法則について論じるとともに, 再構成と圧縮のバランスをとるために訓練された生成モデルにおいて, 潜在空間の自己組織化を通じて, この減少が自己に現れる可能性について論じる。 簡単な幾何学系や素粒子物理過程のケーススタディを含む最近の研究結果を概観し、明示的な帰納バイアスを伴わずに対称性構造を推論する理論的および実践的な限界を分析する。

関連論文リスト

• Why Neural Network Can Discover Symbolic Structures with Gradient-based Training: An Algebraic and Geometric Foundation for Neurosymbolic Reasoning [73.18052192964349]
  我々は、連続的なニューラルネットワークトレーニングのダイナミックスから、離散的なシンボル構造が自然に現れるかを説明する理論的枠組みを開発する。 ニューラルパラメータを測度空間に上げ、ワッサーシュタイン勾配流としてモデル化することにより、幾何的制約の下では、パラメータ測度 $mu_t$ が2つの同時現象となることを示す。
  論文  参考訳（メタデータ） (2025-06-26T22:40:30Z)
• Learning symmetries in datasets [0.0]
  本研究では,データセットに存在する対称性が変分オートエンコーダ(VAE)によって学習された潜時空間の構造に与える影響について検討する。 対称性や近似対称性が存在する場合、VAEはその潜在空間を自己組織化し、潜在変数の少ない数に沿ってデータを効果的に圧縮することを示した。 本結果は,非教師なし生成モデルがデータの構造を明らかにする可能性を強調し,明示的な監督を伴わない対称性発見への新たなアプローチを提供する。
  論文  参考訳（メタデータ） (2025-04-07T15:17:41Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• Morphological Symmetries in Robotics [45.32599550966704]
  形態的対称性は ロボットの形態の固有の特性です これらの対称性は、ロボットの状態空間とセンサーの測定にまで拡張される。 データ駆動型手法では, 機械学習モデルのサンプル効率と一般化を, モルフォロジー対称性により向上させることができることを示す。 解析手法の文脈では、ロボットの力学を低次元独立力学の重ね合わせに分解するために抽象調和解析を用いる。
  論文  参考訳（メタデータ） (2024-02-23T17:21:21Z)
• Symmetry-enforcing neural networks with applications to constitutive modeling [0.0]
  本研究では,非線形および履歴依存行動を示す複雑なミクロ構造を均質化するために,最先端のマイクロメカニカルモデリングと高度な機械学習技術を組み合わせる方法について述べる。 結果として得られるホモジェナイズドモデルであるスマート法則(SCL)は、従来の並列マルチスケールアプローチで必要とされる計算コストのごく一部で、マイクロインフォメーション法を有限要素ソルバに適用することができる。 本研究では、ニューロンレベルで物質対称性を強制する新しい方法論を導入することにより、SCLの機能を拡張する。
  論文  参考訳（メタデータ） (2023-12-21T01:12:44Z)
• Persistence-based operators in machine learning [62.997667081978825]
  永続性に基づくニューラルネットワークレイヤのクラスを導入します。 永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
  論文  参考訳（メタデータ） (2022-12-28T18:03:41Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• Neural Mechanics: Symmetry and Broken Conservation Laws in Deep Learning Dynamics [26.485269202381932]
  トレーニング中のニューラルネットワークパラメータのダイナミクスを理解することは、ディープラーニングの理論基盤を構築する上で重要な課題のひとつだ。 このような対称性は勾配やヘッシアンに厳密な幾何学的制約を課し、関連する保存則を導く。 SGDが有限学習速度で行った数値軌道をよりよく近似する差分方程式である修正勾配流の導出に有限差分法からツールを適用します。
  論文  参考訳（メタデータ） (2020-12-08T20:33:30Z)

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。