論文の概要: How unconstrained machine-learning models learn physical symmetries

• arxiv url: http://arxiv.org/abs/2603.24638v1
• Date: Wed, 25 Mar 2026 11:39:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.905547
• Title: How unconstrained machine-learning models learn physical symmetries
• Title（参考訳）: 制約のない機械学習モデルは物理的な対称性を学習する
• Authors: Michelangelo Domina, Joseph William Abbott, Paolo Pegolo, Filippo Bigi, Michele Ceriotti,
• Abstract要約: 我々は、対称性の情報をアーキテクチャ層間でどのように処理し、トレーニング中に学習するかを研究する。 MLモデルにおけるスペクトル故障モードの診断のための厳密な枠組みを確立する。 我々は,最小限の帰納バイアスを戦略的に注入することにより,安定性と精度を向上できることを実証した。
• 参考スコア（独自算出の注目度）: 1.3153034236600303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The requirement of generating predictions that exactly fulfill the fundamental symmetry of the corresponding physical quantities has profoundly shaped the development of machine-learning models for physical simulations. In many cases, models are built using constrained mathematical forms that ensure that symmetries are enforced exactly. However, unconstrained models that do not obey rotational symmetries are often found to have competitive performance, and to be able to \emph{learn} to a high level of accuracy an approximate equivariant behavior with a simple data augmentation strategy. In this paper, we introduce rigorous metrics to measure the symmetry content of the learned representations in such models, and assess the accuracy by which the outputs fulfill the equivariant condition. We apply these metrics to two unconstrained, transformer-based models operating on decorated point clouds (a graph neural network for atomistic simulations and a PointNet-style architecture for particle physics) to investigate how symmetry information is processed across architectural layers and is learned during training. Based on these insights, we establish a rigorous framework for diagnosing spectral failure modes in ML models. Enabled by this analysis, we demonstrate that one can achieve superior stability and accuracy by strategically injecting the minimum required inductive biases, preserving the high expressivity and scalability of unconstrained architectures while guaranteeing physical fidelity.
• Abstract（参考訳）: 物理量の基本対称性を正確に満たす予測を生成するという要求は、物理シミュレーションのための機械学習モデルの開発を大いに形作っている。 多くの場合、モデルは対称性が正確に強制されるように制約された数学的形式を用いて構築される。 しかし、回転対称性に従わない非拘束モデルは、しばしば競争性能を持ち、単純なデータ拡張戦略で近似同変の挙動を高い精度で表現できる。 本稿では,これらのモデルにおける学習表現の対称性を測る厳密な指標を導入し,出力が同変条件を満たす精度を評価する。 これらのメトリクスを、装飾された点雲(原子論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と粒子物理学のためのポイントネットスタイルアーキテクチャ)上で動作する2つの非拘束変圧器ベースモデルに適用し、アーキテクチャ層間で対称性情報がどのように処理され、トレーニング中に学習されるかを調べる。 これらの知見に基づいて、MLモデルにおけるスペクトル故障モードの診断のための厳密な枠組みを確立する。 この分析により、最小限の帰納バイアスを戦略的に注入し、物理的忠実性を確保しつつ、制約のないアーキテクチャの高表現性とスケーラビリティを保ち、より優れた安定性と精度を実現できることを示す。

関連論文リスト

• Pushing the limits of unconstrained machine-learned interatomic potentials [1.4111179565053178]
  機械学習型原子間ポテンシャル(MLIP)は、計算的に要求される電子構造計算を置き換えるためにますます用いられる。 制約のないモデルでは、物理的に制約されたモデルと比較して精度と速度が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-22T18:46:58Z)
• SEAL - A Symmetry EncourAging Loss for High Energy Physics [0.005211875900848231]
  対称性を明示的に尊重するマシンラーニングモデルの構築は、専用のコンポーネントを必要とするため、難しい場合がある。 我々は,モデルが正確な対称性を強制するのではなく,学習過程における追加対称性の重要性を決定できるようなソフト制約を導入する。
  論文  参考訳（メタデータ） (2025-11-03T19:00:13Z)
• Latent Mixture of Symmetries for Sample-Efficient Dynamic Learning [7.722898209589864]
  工学系におけるモデルに基づく制御と強化学習には,ダイナミクスの学習が不可欠である。 複雑な力学測定から,対称性を重畳した潜在因子の混合を捉える表現モデルであるLatent Mixture of Symmetries (Latent MoS)を提案する。
  論文  参考訳（メタデータ） (2025-10-04T00:06:31Z)
• Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
  本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。 摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
  論文  参考訳（メタデータ） (2025-01-21T02:38:28Z)
• A Generative Model of Symmetry Transformations [44.87295754993983]
  我々はデータの近似対称性を明示的に捉えることを目的とした生成モデルを構築した。 我々は、アフィンおよび色変換の下で対称性を捕捉する能力を実証的に実証した。
  論文  参考訳（メタデータ） (2024-03-04T11:32:18Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)

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。