論文の概要: Mapping the Phase Diagram of the Vicsek Model with Machine Learning

• arxiv url: http://arxiv.org/abs/2604.28167v1
• Date: Thu, 30 Apr 2026 17:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.23831
• Title: Mapping the Phase Diagram of the Vicsek Model with Machine Learning
• Title（参考訳）: 機械学習によるVicsekモデルの位相図のマッピング
• Authors: Grace T. Bai, Brandon B. Le,
• Abstract要約: シミュレーションされたパラメータ点のデータセットを構築し,時間的動的観測値を用いて各点を特徴付ける。 これらのオブザーバブルは、K-Meansクラスタリング手順の入力として使用され、各ポイントを障害、順序、共存フェーズに割り当てる。 これらのクラスタラベルを用いて、モデルパラメータから位相挙動へのマッピングを学習するためにニューラルネットワーク分類器を訓練し、その分類精度は0.92である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we use machine learning to classify and interpolate the phase structure of the Vicsek flocking model across the three-dimensional parameter space $(η,ρ,v_0)$. We construct a dataset of simulated parameter points and characterize each point using long-time dynamical observables. These observables are then used as inputs to a K-Means clustering procedure, which assigns each point to a disorder, order, or coexistence phase. Using these clustered labels, we train a neural-network classifier to learn the mapping from model parameters to phase behavior, achieving a classification accuracy of 0.92. The resulting phase map resolves a narrow coexistence region separating the ordered and disordered phases and extends the inferred phase boundaries beyond the originally sampled simulation points. More broadly, this approach provides a systematic way to convert sparse simulation data into a global phase diagram for collective-motion models.
• Abstract（参考訳）: 本研究では,機械学習を用いて3次元パラメータ空間$(η,ρ,v_0)$のVicsekフラッキングモデルの位相構造を分類・解釈する。 シミュレーションされたパラメータ点のデータセットを構築し,時間的動的観測値を用いて各点を特徴付ける。 これらのオブザーバブルは、K-Meansクラスタリング手順の入力として使用され、各ポイントを障害、順序、共存フェーズに割り当てる。 これらのクラスタラベルを用いて、モデルパラメータから位相挙動へのマッピングを学習するためにニューラルネットワーク分類器を訓練し、その分類精度は0.92である。 得られた位相マップは、順序付けられた位相と乱れた位相を分離した狭い共存領域を解決し、元々のサンプリングされたシミュレーションポイントを超えて推論された位相境界を拡張する。 より広範に、本手法はスパースシミュレーションデータを集合運動モデルのための大域的な位相図に変換する体系的な方法を提供する。

関連論文リスト

• DiffusionSfM: Predicting Structure and Motion via Ray Origin and Endpoint Diffusion [53.70278210626701]
  マルチビュー画像から3次元シーン形状とカメラポーズを直接推定するデータ駆動型マルチビュー推論手法を提案する。 我々のフレームワークであるDiffusionSfMは、シーン幾何学とカメラを、グローバルフレーム内のピクセルワイズ線源とエンドポイントとしてパラメータ化します。 我々は、DiffusionSfMを合成データセットと実データセットの両方で実証的に検証し、古典的および学習ベースのアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-08T17:59:47Z)
• STREAM: A Universal State-Space Model for Sparse Geometric Data [2.9483719973596303]
  ポイントクラウドやイベントベースのビジョンなど、非構造化の幾何学的データを扱うことは、マシンビジョンの分野における急激な課題である。 状態空間モデルのパラメータ化に幾何構造を明示的にエンコードすることを提案する。 本モデルでは, スパースデータを最新のハードウェアに効率的にマッピングするために, カーネルを改良したMamba選択状態空間モデルをデプロイする。
  論文  参考訳（メタデータ） (2024-11-19T16:06:32Z)
• Unlocking the Secrets of Linear Complexity Sequence Model from A Unified Perspective [26.479602180023125]
  LCSM(Linear Complexity Sequence Model)は、線形複雑性を伴う様々なシーケンスモデリング手法を単位とする。 これらのモデルのモデリングプロセスは、拡張、Oscillation、Shrinkの3つの異なるステージに区分する。 異なるステージ設定が言語モデリングおよび検索タスクに与える影響を分析する実験を行う。
  論文  参考訳（メタデータ） (2024-05-27T17:38:55Z)
• Machine Learning for the identification of phase-transitions in interacting agent-based systems: a Desai-Zwanzig example [0.0]
  本稿では,エージェントモデルに対する位相遷移を平均フィールド限界でピンポイントするデータ駆動フレームワークを提案する。 この目的のために、多様体学習アルゴリズムであるマップを用いて、データ駆動潜在変数の相似集合を同定する。 次に、深層学習フレームワークを用いて、データ駆動座標の共形再パラメータ化を求める。
  論文  参考訳（メタデータ） (2023-10-29T15:07:08Z)
• STMT: A Spatial-Temporal Mesh Transformer for MoCap-Based Action Recognition [50.064502884594376]
  本研究では、モーションキャプチャー(MoCap)シーケンスを用いた人間の行動認識の問題点について検討する。 メッシュシーケンスを直接モデル化する新しい時空間メッシュ変換器(STMT)を提案する。 提案手法は,スケルトンベースモデルやポイントクラウドベースモデルと比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-31T16:19:27Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Model identification and local linear convergence of coordinate descent [74.87531444344381]
  循環座標降下は、幅広い種類の関数に対して有限時間でモデル同定を達成することを示す。 また、座標降下に対する局所収束速度を明示的に証明する。
  論文  参考訳（メタデータ） (2020-10-22T16:03:19Z)
• Cascade of Phase Transitions for Multi-Scale Clustering [0.0]
  本稿では,期待最大化アルゴリズムのシミュレーションアニーリング中に発生する相転移のカスケードを利用した新しいフレームワークを提案する。 事前の知識がなければ、異なるスケールのクラスタ数とそのサイズに関する情報を抽出できる。 また、反復スキームの線形安定性について検討し、最初の遷移が起こる閾値を導出し、次の遷移を近似する方法を示す。
  論文  参考訳（メタデータ） (2020-10-15T18:01:37Z)

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。