論文の概要: NeuroHex: Highly-Efficient Hex Coordinate System for Creating World Models to Enable Adaptive AI

• arxiv url: http://arxiv.org/abs/2603.00376v2
• Date: Tue, 03 Mar 2026 06:41:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 14:54:12.52843
• Title: NeuroHex: Highly-Efficient Hex Coordinate System for Creating World Models to Enable Adaptive AI
• Title（参考訳）: NeuroHex: 適応型AIを実現するための世界モデルを作成するための高効率なヘックスコーディネートシステム
• Authors: Quinn Jacobson, Joe Luo, Jingfei Xu, Shanmuga Venkatachalam, Kevin Wang, Dingchao Rong, John Paul Shen,
• Abstract要約: NeuroHexは、高度に効率的な世界モデルとオンライン適応型AIシステムのための参照フレームをサポートするために設計された六角形座標系である。 リングインデックス、量子化角符号化、基礎的、単純、複雑な幾何学的形状プリミティブの階層的なライブラリを組み込んだ数学的枠組みを開発する。
• 参考スコア（独自算出の注目度）: 2.736540739762679
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: NeuroHex is a hexagonal coordinate system designed to support highly efficient world models and reference frames for online adaptive AI systems. Inspired by the hexadirectional firing structure of grid cells in the human brain, NeuroHex adopts a cubic isometric hexagonal coordinate formulation that provides full 60° rotational symmetry and low-cost translation, rotation and distance computation. We develop a mathematical framework that incorporates ring indexing, quantized angular encoding, and a hierarchical library of foundational, simple, and complex geometric shape primitives. These constructs allow low-overhead point-in-shape tests and spatial matching operations that are expensive in Cartesian coordinate systems. To support realistic settings, the NeuroHex framework can process OpenStreetMap (OSM) data sets using an OSM-to-NeuroHex (OSM2Hex) conversion tool. The OSM2Hex spatial abstraction processing pipeline can achieve a reduction of 90-99% in geometric complexity while maintaining the relevant spatial structure map for navigation. Our initial results, based on actual city and neighborhood scale data sets, demonstrate that NeuroHex offers a highly efficient substrate for building dynamic world models to enable adaptive spatial reasoning in autonomous AI systems with continuous online learning capability.
• Abstract（参考訳）: NeuroHexは、高度に効率的な世界モデルとオンライン適応型AIシステムのための参照フレームをサポートするために設計された六角形座標系である。 神経ヘックスは、ヒト脳の格子細胞の六角方向の発火構造にインスパイアされ、完全な60°回転対称性と低コストな翻訳、回転、距離計算を提供する立方等角座標の定式化を採用する。 リングインデックス、量子化角符号化、基礎的、単純、複雑な幾何学的形状プリミティブの階層的なライブラリを組み込んだ数学的枠組みを開発する。 これらの構造は、カルテシアン座標系において高価である低オーバーヘッドの点-in-shapeテストと空間マッチング操作を可能にする。 現実的な設定をサポートするため、NeuroHexフレームワークはOSM-to-NeuroHex(OSM2Hex)変換ツールを使用してOpenStreetMap(OSM)データセットを処理できる。 OSM2Hex空間抽象処理パイプラインは、ナビゲーションの空間構造マップを維持しながら、90-99%の幾何学的複雑さを低減できる。 我々の最初の結果は、実際の都市と近隣のスケールのデータセットに基づいて、NeuroHexが、オンライン学習機能を備えた自律型AIシステムにおいて適応的な空間推論を可能にするために、動的世界モデルを構築するための非常に効率的な基盤を提供することを示した。

関連論文リスト

• Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation [3.03918153717041]
  代理モデルはシミュレーションを加速することができるが、多様な解剖学における一般化は困難である。 物理応答の学習から幾何学的表現を分離する2段階の枠組みを提案する。 提案手法は, 正確な予測と非可視測地への一般化を可能にする。
  論文  参考訳（メタデータ） (2026-02-23T19:40:55Z)
• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• Omni Geometry Representation Learning vs Large Language Models for Geospatial Entity Resolution [0.5120567378386615]
  オームニ幾何学エンコーダを備えた地理空間ERモデル。 モデルは、既存のポイントオンリーのデータセットと、新しい多様な地理空間的ERデータセットで厳格にテストされている。
  論文  参考訳（メタデータ） (2025-08-08T03:37:11Z)
• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• Self-Attention Based Multi-Scale Graph Auto-Encoder Network of 3D Meshes [1.573038298640368]
  3D Geometric Mesh Network(3DGeoMeshNet)は、異方性畳み込み層を用いて空間領域内でグローバルな特徴とローカルな特徴を直接学習する新しいGCNベースのフレームワークである。 我々のアーキテクチャはマルチスケールエンコーダ・デコーダ構造を特徴とし、大域的および局所的な経路は大規模な幾何学的構造と微細な局所的詳細の両方を捉えている。
  論文  参考訳（メタデータ） (2025-07-07T07:36:03Z)
• High-Dimensional Bayesian Optimization via Random Projection of Manifold Subspaces [0.0]
  この問題に取り組むための共通の枠組みは、目的関数が高次元の周囲空間に埋め込まれた低次元多様体上の限られた特徴集合に依存すると仮定することである。 本稿では,目的関数の新たな表現を活用することによって,BOの高次元への新たなアプローチを提案する。 提案手法は, BOの低次元空間における取得関数の効率的な最適化を可能にする。
  論文  参考訳（メタデータ） (2024-12-21T09:41:24Z)
• Coverage Axis++: Efficient Inner Point Selection for 3D Shape Skeletonization [49.47444127373479]
  Coverage Axis++は、3D形状のスケルトン化に対する、新しくて効率的なアプローチである。 メディア軸変換(MAT)の高精度近似を提供する。
  論文  参考訳（メタデータ） (2024-01-23T18:07:07Z)
• CycleIK: Neuro-inspired Inverse Kinematics [12.29529468290859]
  CycleIKは、逆運動学(Inverse Kiinematics, IK)タスクのための2つの新しい神経誘発手法をラップする神経ロボティックアプローチである。 我々は、これらをハイブリッド神経遺伝IKパイプラインに組み込むことによって、さらなる最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2023-07-21T13:03:27Z)
• DEMAND: Deep Matrix Approximately NonlinearDecomposition to Identify Meta, Canonical, and Sub-Spatial Pattern of functional Magnetic Resonance Imaging in the Human Brain [8.93274096260726]
  本研究では,SDL(Sparse Dictionary Learning)やDNN(Deep Neural Networks)といった浅い線形モデルを活用するために,Deep A roughly Decomposition(DEMAND)という新しい非線形行列分解法を提案する。 DEMANDは、人間の脳の再現可能な代謝、正準的、および部分空間的特徴を、他の仲間の方法論よりも効率的に明らかにすることができる。
  論文  参考訳（メタデータ） (2022-05-20T15:55:01Z)
• SQuadMDS: a lean Stochastic Quartet MDS improving global structure preservation in neighbor embedding like t-SNE and UMAP [3.7731754155538164]
  この研究は、N個のデータポイントを持つO(N)の時間と空間の複雑さを伴う多次元スケーリングへの強制的アプローチを導入する。 この方法は、t-SNEのような近隣の埋め込みのファミリーの強制的レイアウトと組み合わせて、データのグローバル構造とローカル構造の両方を保存する埋め込みを生成することができる。
  論文  参考訳（メタデータ） (2022-02-24T13:14:58Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• A novel Deep Neural Network architecture for non-linear system identification [78.69776924618505]
  非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。 メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。 このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
  論文  参考訳（メタデータ） (2021-06-06T10:06:07Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。