論文の概要: Deepmechanics

• arxiv url: http://arxiv.org/abs/2602.18060v1
• Date: Fri, 20 Feb 2026 08:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.268497
• Title: Deepmechanics
• Title（参考訳）: ディープメカニクス
• Authors: Abhay Shinde, Aryan Amit Barsainyan, Jose Siguenza, Ankita Vaishnobi Bisoi, Rakshit Kr. Singh, Bharath Ramsundar,
• Abstract要約: 物理インフォームドディープラーニングモデルは、動的システムを学ぶための強力なツールとして登場した。 我々はDeepChemフレームワークを用いて3つの著名な物理インフォームドアーキテクチャをベンチマークした。 ベンチマークされたモデルはすべて、カオス的あるいは非保守的なシステムの安定性を維持するのに苦労している。
• 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: Physics-informed deep learning models have emerged as powerful tools for learning dynamical systems. These models directly encode physical principles into network architectures. However, systematic benchmarking of these approaches across diverse physical phenomena remains limited, particularly in conservative and dissipative systems. In addition, benchmarking that has been done thus far does not integrate out full trajectories to check stability. In this work, we benchmark three prominent physics-informed architectures such as Hamiltonian Neural Networks (HNN), Lagrangian Neural Networks (LNN), and Symplectic Recurrent Neural Networks (SRNN) using the DeepChem framework, an open-source scientific machine learning library. We evaluate these models on six dynamical systems spanning classical conservative mechanics (mass-spring system, simple pendulum, double pendulum, and three-body problem, spring-pendulum) and non-conservative systems with contact (bouncing ball). We evaluate models by computing error on predicted trajectories and evaluate error both quantitatively and qualitatively. We find that all benchmarked models struggle to maintain stability for chaotic or nonconservative systems. Our results suggest that more research is needed for physics-informed deep learning models to learn robust models of classical mechanical systems.
• Abstract（参考訳）: 物理インフォームドディープラーニングモデルは、動的システムを学ぶための強力なツールとして登場した。 これらのモデルは物理原理を直接ネットワークアーキテクチャにエンコードする。 しかし、これらのアプローチの体系的なベンチマークは、様々な物理現象、特に保守的で散逸的なシステムにおいて制限されている。 さらに、これまで実施されてきたベンチマークでは、安定性を確認するための完全なトラジェクトリを統合していない。 本研究では、オープンソースの科学機械学習ライブラリであるDeepChemフレームワークを用いて、ハミルトンニューラルネットワーク(HNN)、ラグランジアンニューラルネットワーク(LNN)、シンプレクティックリカレントニューラルネットワーク(SRNN)の3つの著名な物理インフォームドアーキテクチャをベンチマークする。 これらのモデルは,古典的保守的力学系(質量ばね系,単純振り子系,二重振り子系,三体問題,ばね振り子系)と非保守的接触系(バウンシングボール)にまたがる6つの力学系で評価した。 予測軌道上の誤差を計算し,誤差を定量的かつ定性的に評価する。 ベンチマークされたモデルはすべて、カオス的あるいは非保守的なシステムの安定性を維持するのに苦労している。 この結果から,物理インフォームド深層学習モデルにおいて,従来の機械系のロバストモデルを学ぶためには,さらなる研究が必要であることが示唆された。

関連論文リスト

• Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
  物理インフォームド・機械学習は、デジタル双生児におけるモデリングとシミュレーションの一般的なアプローチとして登場した。 本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。 本手法は、物理モデルとフィードフォワード学習ブロックとから、微分可能な物理ブロックを実装する数学的演算子を統合する。
  論文  参考訳（メタデータ） (2024-11-18T11:58:20Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Unravelling the Performance of Physics-informed Graph Neural Networks for Dynamical Systems [5.787429262238507]
  グラフニューラルネットワーク(GNN)とその変種の性能を、明示的な制約と異なるアーキテクチャで評価する。 本研究は, 明示的制約や運動エネルギーとポテンシャルエネルギーの疎結合などの付加的な誘導バイアスを有するGNNが, 性能を著しく向上することを示した。 全ての物理インフォームドGNNは、訓練システムよりも桁違いの大きさのシステムサイズに対してゼロショットの一般化性を示し、大規模な現実的なシステムをシミュレートする有望な経路を提供する。
  論文  参考訳（メタデータ） (2022-11-10T12:29:30Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Combining Physics and Deep Learning to learn Continuous-Time Dynamics Models [31.842201180914756]
  物理に着想を得た深層ネットワークを導入し,物理と深層学習の第一原理を組み合わせた。 ディープラグランジアンネットワーク (Deep Lagrangian Networks, DeLaN) は、2つのネットワークを用いてシステムエネルギーをパラメータ化する。 提案手法は実時間制御のための物理系に適用可能な力学モデルが得られることを示す。
  論文  参考訳（メタデータ） (2021-10-05T09:30:56Z)
• ST-PCNN: Spatio-Temporal Physics-Coupled Neural Networks for Dynamics Forecasting [15.265694039283106]
  本稿では,システムの物理を規定するパラメータを学習する物理結合型ニューラルネットワークモデルを提案する。 3つの目標を達成するために,時空間物理結合ニューラルネットワーク(ST-PCNN)モデルを提案する。 ST-PCNNが既存の物理インフォームドモデルより優れていることを検証する。
  論文  参考訳（メタデータ） (2021-08-12T19:34:00Z)

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。