論文の概要: Unified Simulation of Lagrangian Particle Dynamics via Transformer

• arxiv url: http://arxiv.org/abs/2605.15305v2
• Date: Mon, 18 May 2026 17:34:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.094246
• Title: Unified Simulation of Lagrangian Particle Dynamics via Transformer
• Title（参考訳）: 変圧器を用いたラグランジアン粒子運動の統一シミュレーション
• Authors: Caoliwen Wang, Minghao Guo, Siyuan Chen, Heng Zhang, Mengdi Wang, Xingyu Ni, Hanson Sun, Kunyi Wang, Zherong Pan, Kui Wu, Lingjie Liu, Yin Yang, Chenfanfu Jiang, Taku Komura, Wojciech Matusik, Peter Yichen Chen,
• Abstract要約: 本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。
• 参考スコア（独自算出の注目度）: 107.36949516442782
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: A unified simulator that can model diverse physical phenomena without solver-specific redesign is a long-standing goal across simulation science. We present a learning-based particle simulator built on a single transformer architecture to model cloth, elastic solds, Newtonian and non-Newtonian fluids, granular materials, and molecular dynamics. Our model follows a prediction-correction design on a shared Lagrangian particle representation. An explicit predictor first advances particles under the known external forces, producing an intermediate state that captures externally driven motion but not inter-particle interactions. A learned corrector then predicts the residual position and velocity updates through three stages: a particle tokenizer that encodes local particle-particle, particle-boundary, and topology-guided interactions; a super-token encoder that hierarchically merges particle tokens into a compact set of super tokens via alternating self-attention and token merging; and a super-token decoder that lifts these super tokens back to particle resolution through cross-attention to predict per-particle position and velocity corrections. Progressive token merging reduces the attention cost at successive encoder layers by halving the token count at each level, and the decoder communicates through the compact super-token set rather than full particle-to-particle attention. Across the six dynamics categories, the same architecture generalizes to unseen materials, boundary configurations, initial conditions, and external forces. We further demonstrate downstream interactive control, inverse design, and learning from real-world manipulation data, reducing the need for per-phenomenon solver engineering.
• Abstract（参考訳）: ソルバ固有の再設計なしに様々な物理現象をモデル化できる統一されたシミュレータは、シミュレーション科学における長年の目標である。 本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。 我々のモデルは、共有ラグランジュ粒子表現の予測補正設計に従う。 明示的な予測器は、最初に既知の外部力の下で粒子を前進させ、粒子間相互作用ではなく、外部に駆動された運動をキャプチャする中間状態を生成する。 学習された補正器は、局所粒子、粒子境界、トポロジー誘導相互作用を符号化する粒子トークン化器、自己アテンションとトークンの融合を交互にすることで粒子トークンをコンパクトなスーパートークンに階層的にマージする超トークンエンコーダ、超トークンを粒子間位置と速度補正によって粒子分解に戻す超トークンデコーダの3つの段階を通して、残留位置と速度の更新を予測する。 プログレッシブトークンマージは、各レベルのトークンカウントを半分にすることで、連続するエンコーダ層の注意コストを低減し、デコーダは、完全な粒子対粒子の注意ではなく、コンパクトなスーパートークンセットを介して通信する。 6つのダイナミックスカテゴリ全体で、同じアーキテクチャは、目に見えない材料、境界構成、初期条件、外部力に一般化される。 さらに、下流のインタラクティブ制御、逆設計、実世界の操作データからの学習を実証し、フェノメノン単位の解法工学の必要性を低減した。

関連論文リスト

• BRICKS: Compositional Neural Markov Kernels for Zero-Shot Radiation-Matter Simulation [2.2650024890957385]
  我々は, 放射-物質相互作用のための合成型ニューラルネットワークの新たな戦略を導入する。 粒子相互作用の局所性とマルコフの性質をエクスプロイトすることで、エンペクスト粒子予測カーネルを作成する。 このモデルは、入射粒子と物質体積との相互作用の結果生じる可変サイズの型付き粒子と放射側効果を生成する。
  論文  参考訳（メタデータ） (2026-05-07T17:19:31Z)
• Engineering quantum criticality and dynamics on an analog-digital simulator [26.76525389323686]
  我々は、中性原子配列シミュレータにおけるRydbergと超微細量子ビット間のコヒーレントマッピングを用いて、複雑な量子力学を設計し、探究する。 まず,Floquet駆動によるリング交換と粒子ホッピングの動的工学を実演する。 我々は閉ループ最適化を用いて、ロクサー・キベルソン型の非平衡臨界量子スピン液体を目標とする。
  論文  参考訳（メタデータ） (2026-02-20T19:00:00Z)
• Neural Particle Automata: Learning Self-Organizing Particle Dynamics [28.914778832424066]
  ニューラルセルオートマタ(NCA)のラグランジアン一般化であるParticle Automata(NPA)を紹介する。 NPAはそれぞれの細胞を連続的な位置と内部状態を持つ粒子としてモデル化し、どちらも共有され学習可能なニューラルルールによって更新される。 我々は,NPAが粒子系に固有の新しい挙動を許容しつつ,ロバスト性や自己再生などの重要なNCA挙動を保っていることを示す。
  論文  参考訳（メタデータ） (2026-01-22T16:46:28Z)
• From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
  ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。 微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
  論文  参考訳（メタデータ） (2025-12-01T11:47:49Z)
• OmniSAT: Compact Action Token, Faster Auto Regression [70.70037017501357]
  我々は、コンパクトで転送可能なアクション表現を学ぶOmni Swift Action Tokenizerを紹介する。 その結果、離散トークン化はトレーニングシーケンスを6.8$times$に短縮し、ターゲットエントロピーを低下させる。
  論文  参考訳（メタデータ） (2025-10-08T03:55:24Z)
• Simulating Schwinger model dynamics with quasi-one-dimensional qubit arrays [0.0]
  我々は、合成量子スピン格子上でシュウィンガーモデルダイナミクスを実行するための戦略を開発する。 我々は、大域磁場パターンが格子シュヴィンガー・ハミルトニアンと同等の界面のコヒーレント量子力学を駆動できることを示した。 この研究は、短期量子シミュレーターが素粒子物理学に即時関係する問題に対処する道を開く。
  論文  参考訳（メタデータ） (2024-09-22T17:58:25Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
  Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。 様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-22T03:45:29Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。