論文の概要: Momentum-Conserving Graph Neural Networks for Deformable Objects

• arxiv url: http://arxiv.org/abs/2604.26097v1
• Date: Tue, 28 Apr 2026 20:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.162116
• Title: Momentum-Conserving Graph Neural Networks for Deformable Objects
• Title（参考訳）: 変形可能な物体に対するモーメント保存型グラフニューラルネットワーク
• Authors: Jiahong Wang, Logan Numerow, Stelian Coros, Christian Theobalt, Vahid Babaei, Bernhard Thomaszewski,
• Abstract要約: 建設によって運動量を正確に追跡する新しいアーキテクチャであるMomentumGNNを提案する。 制約のない結節加速度を出力する既存のGNNとは異なり、我々のモデルはエッジの伸張と曲げインパルスを予測する。 本稿では,モーメントが重要な役割を果たす多くの一般的なシナリオにおいて,本手法がベースラインを上回っていることを示す。
• 参考スコア（独自算出の注目度）: 64.91655405516482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have emerged as a versatile and efficient option for modeling the dynamic behavior of deformable materials. While GNNs generalize readily to arbitrary shapes, mesh topologies, and material parameters, existing architectures struggle to correctly predict the temporal evolution of key physical quantities such as linear and angular momentum. In this work, we propose MomentumGNN -- a novel architecture designed to accurately track momentum by construction. Unlike existing GNNs that output unconstrained nodal accelerations, our model predicts per-edge stretching and bending impulses which guarantee the preservation of linear and angular momentum. We train our network in an unsupervised fashion using a physics-based loss, and we show that our method outperforms baselines in a number of common scenarios where momentum plays a pivotal role.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、変形可能な材料の動的挙動をモデル化するための汎用的で効率的な選択肢として登場した。 GNNは任意の形状、メッシュトポロジ、材料パラメータに容易に一般化するが、既存のアーキテクチャは線形や角運動量といった重要な物理量の時間的進化を正確に予測するのに苦労する。 本研究では,建設時の運動量を正確に追跡する新しいアーキテクチャであるMomentumGNNを提案する。 制約のない結節加速度を出力する既存のGNNとは異なり、我々のモデルは、線形運動量と角運動量の保存を保証するエッジ伸展および曲げインパルスを予測する。 我々は物理に基づく損失を用いてネットワークを教師なしで訓練し、モーメントが重要な役割を果たす多くの一般的なシナリオにおいて、本手法がベースラインを上回っていることを示す。

関連論文リスト

• Dynami-CAL GraphNet: A Physics-Informed Graph Neural Network Conserving Linear and Angular Momentum for Dynamical Systems [16.805431852365917]
  Dynami-CAL GraphNetは、複雑な多体力学系の正確、解釈可能、リアルタイムモデリングを提供する。 基本的な保存法則に従う物理的に一貫性があり、スケーラブルな予測を提供する。 これは、異種相互作用と外部力の効率よく処理しながら、力とモーメントの推測を可能にする。
  論文  参考訳（メタデータ） (2025-01-13T14:41:56Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Recurrent convolutional neural networks for modeling non-adiabatic dynamics of quantum-classical systems [1.23088383881821]
  本稿では、ハイブリッド量子古典系の非断熱力学をモデル化するための畳み込みニューラルネットワークに基づくRNNモデルを提案する。 PARC-CNNアーキテクチャは,深部切開条件下でホルシュタインモデルの統計的気候を効果的に学習できることを実証する。
  論文  参考訳（メタデータ） (2024-12-09T16:23:25Z)
• A survey of dynamic graph neural networks [26.162035361191805]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから効果的にマイニングし学習するための強力なツールとして登場した。 本稿では,基本的な概念,鍵となる技術,そして最先端の動的GNNモデルについて概観する。
  論文  参考訳（メタデータ） (2024-04-28T15:07:48Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Applications of Machine Learning to Modelling and Analysing Dynamical Systems [0.0]
  本稿では,既存のハミルトンニューラルネットワーク構造を適応型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に組み合わせたアーキテクチャを提案する。 このアーキテクチャは、ハミルトニアン力学を予測する際に、これまで提案されていたニューラルネットワークよりも大幅に優れていた。 本手法は, 単一パラメータポテンシャルに対して有効であり, 長期間にわたって正確な予測を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-07-22T19:04:17Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)

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。