論文の概要: Enabling Structure-Only Initialization and Out-of-Distribution Generalization in GNN-based Molecular Dynamics Simulators

• arxiv url: http://arxiv.org/abs/2605.09495v1
• Date: Sun, 10 May 2026 12:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.278938
• Title: Enabling Structure-Only Initialization and Out-of-Distribution Generalization in GNN-based Molecular Dynamics Simulators
• Title（参考訳）: GNNに基づく分子動力学シミュレータにおける構造-オンリー初期化とアウト・オブ・ディストリビューション一般化の実現
• Authors: S. A. Shteingolts, Salman N. Salman, Dan Mendels,
• Abstract要約: グラフ軸型ニューラルネットワーク(GNN)ベースのシミュレータは、さまざまな物理領域で高いパフォーマンスを示している。 しかし、正確な予測のための時間的文脈への依存は、逆設計設定における使用を制限する。 本稿では,GNNシミュレーションの安定かつ高精度な構造限定初期化を可能にする2つの補完戦略を提案する。
• 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: Machine learning-based simulators offer the potential to model the dynamics of complex systems more efficiently than classical approaches, while retaining differentiability, a key property for materials design. Graph neural network (GNN)-based simulators have shown strong performance across a range of physical domains, including molecular dynamics. However, their reliance on temporal context for accurate prediction limits their use in inverse design settings, where simulations must be initialized from a single static configuration. Moreover, inverse design requires robust out-of-distribution (OOD) generalization, as candidate structures typically lie outside the training domain. Here, we address both challenges by introducing two complementary strategies that enable stable and accurate structure-only initialization of GNN-based simulations. To directly target OOD generalization, we propose an inference-time physics-based optimization framework that constrains model predictions to remain physically consistent during rollout. In addition, we introduce a differentiable, GNN-based barostat that enables accurate tracking of system dimensions and pressure, critical for capturing macroscopic responses and supporting OOD generalization. We evaluate these approaches in the context of uniaxial compression of disordered elastic networks spanning a broad range of geometries, Poisson ratios, and microscopic behaviors. We find that, together, these methods substantially improve rollout stability and enable reliable OOD generalization, including regimes with distinct, more complex dynamics than those in the training data. These results show that, when properly initialized and constrained, GNN-based simulators can serve as efficient and generalizable tools for materials discovery and structural optimization, advancing their use in materials, molecular, and dynamical system design.
• Abstract（参考訳）: 機械学習ベースのシミュレータは、材料設計の重要な特性である微分可能性を維持しながら、古典的なアプローチよりも複雑なシステムのダイナミクスを効率的にモデル化する能力を提供する。 グラフニューラルネットワーク(GNN)ベースのシミュレータは、分子動力学を含むさまざまな物理領域で高いパフォーマンスを示している。 しかし、正確な予測のために時間的コンテキストに依存しているため、シミュレーションを1つの静的な設定から初期化しなければならない逆設計設定での使用が制限される。 さらに、逆設計は、一般に訓練領域の外に位置するため、堅牢なアウト・オブ・ディストリビューション(OOD)の一般化を必要とする。 本稿では,GNNシミュレーションの安定かつ高精度な構造限定初期化を可能にする2つの相補的戦略を導入することにより,両課題に対処する。 OODの一般化を直接ターゲットとして,ロールアウト中にモデル予測が物理的に一貫性を保つことを制約する推論時物理ベースの最適化フレームワークを提案する。 さらに,GNNベースのバロスタットを導入し,システム次元と圧力を正確に追跡し,マクロな応答を捕捉し,OODの一般化を支援する。 これらの手法は、広い範囲のジオメトリー、ポアソン比、微視的挙動にまたがる乱れ弾性ネットワークの一軸圧縮の文脈で評価する。 これらの手法によってロールアウト安定性が大幅に向上し,信頼性の高いOOD一般化が可能であることが確認された。 これらの結果は、適切に初期化および制約された場合、GNNベースのシミュレータは、材料発見と構造最適化のための効率的で一般化可能なツールとして機能し、材料、分子、動的システム設計におけるそれらの利用を前進させることを示す。

関連論文リスト

• GNN for Structural Displacement Prediction [0.30586855806896046]
  本研究では,グラフニューラルネットワーク(GNN)に基づくデータ駆動型フレームワークを提案する。 提案モデルでは, シミュレーションデータから直接, 適用負荷と構造応答の関係を学習する。 その結果,提案したGNNフレームワークは高精度に変位と回転を予測し,NNモデルより優れていた。
  論文  参考訳（メタデータ） (2026-05-08T12:24:23Z)
• Momentum-Conserving Graph Neural Networks for Deformable Objects [64.91655405516482]
  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。
  論文  参考訳（メタデータ） (2026-04-28T20:19:33Z)
• Graph Neural Network Assisted Genetic Algorithm for Structural Dynamic Response and Parameter Optimization [1.5383027029023142]
  質量(m)、剛性(k)、減衰係数(c)などの構造パラメータの最適化は、効率的で弾力性があり安定した構造を設計するのに重要である。 本研究では,グラフニューラルネットワーク(GNN)サロゲートモデルと遺伝的アルゴリズム(GA)を統合し,これらの課題を克服するハイブリッドデータ駆動フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T21:14:59Z)
• MeshODENet: A Graph-Informed Neural Ordinary Differential Equation Neural Network for Simulating Mesh-Based Physical Systems [0.8811039895321705]
  MeshODENetは、GNNの空間的推論とニューラル正規微分方程式の連続時間モデリングを併用する一般的なフレームワークである。 提案手法は, 長期予測精度と安定性において, ベースラインモデルよりも有意に優れていることを示す。 この研究は、複雑な構造系の解析とモデリングを加速するために、データ駆動サロゲートを開発するための強力で一般化可能なアプローチを示す。
  論文  参考訳（メタデータ） (2025-09-22T22:04:01Z)
• Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
  宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。 バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。 PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-11T10:50:49Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)

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。