論文の概要: Physics-guided Convolutional Neural Network for Domain Growth Prediction in Systems with Conserved Kinetics

• arxiv url: http://arxiv.org/abs/2606.26128v1
• Date: Tue, 09 Jun 2026 10:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-28 23:46:52.338084
• Title: Physics-guided Convolutional Neural Network for Domain Growth Prediction in Systems with Conserved Kinetics
• Title（参考訳）: 物理誘導畳み込みニューラルネットワークによる保存力学系における領域成長予測
• Abstract要約: 本稿では,このようなシステムの進化を学習するための代理モデルとして,注意に基づく物理誘導型畳み込みニューラルネットワークを提案する。 実験により得られたサロゲートモデルからの予測は, 臨界と非臨界の混合の双方に対して, 長時間のロールアウトよりも安定かつ正確であることが確認された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The spatiotemporal evolution of many physical, chemical, and biological systems is described by nonlinear partial differential equations (PDEs). Recently, deep neural network-based surrogate models have gained increasing interest as efficient alternatives to computationally expensive traditional numerical solvers. In this work, we propose an attention-based, physics-guided convolutional neural network as a surrogate model to learn the microstructural evolution of such systems. We train the model to accurately predict the full time-evolution of phase separation in binary mixtures governed by the Cahn-Hilliard equation. We show that predictions from our trained surrogate model remain stable and accurate over long-time rollouts for both critical and off-critical mixtures and preserve the mixture composition throughout evolution. We also show that our model accurately captures the growth of domain size and is consistent with the Lifshitz-Slyozov domain-growth law. The prediction results demonstrate the effectiveness of the proposed framework for modeling systems with conserved kinetics and can be extended to other complex dynamical systems.
• Abstract（参考訳）: 多くの物理的、化学的、生物学的システムの時空間進化は非線形偏微分方程式(PDE)によって説明される。 近年、計算コストのかかる従来の数値解法に代わる効率的な代替手段として、ディープニューラルネットワークベースのサロゲートモデルが注目されている。 本研究では,このようなシステムの微細構造進化を学習するための代理モデルとして,注意に基づく物理誘導型畳み込みニューラルネットワークを提案する。 我々は、カーン・ヒリアード方程式によって支配される二成分混合系における位相分離の完全な時間進化を正確に予測するようにモデルを訓練する。 実験により得られたサロゲートモデルからの予測は, 臨界および非臨界の混合物の長期間のロールアウトに対して安定かつ正確であり, 混合組成は進化を通じて保存されていることを示す。 また,本モデルでは,ドメインサイズの増加を正確に把握し,Lifshitz-Slyozov ドメイン成長則と整合性を示す。 予測結果は、保存された運動量を持つシステムに対して提案したフレームワークの有効性を示し、他の複雑な力学系にも拡張可能である。

関連論文リスト

• 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)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• KO: Kinetics-inspired Neural Optimizer with PDE Simulation Approaches [45.173398806932376]
  本稿では、運動理論と偏微分方程式(PDE)シミュレーションにインスパイアされた新しい神経勾配であるKOを紹介する。 我々は、ネットワークパラメータの力学を、運動原理によって支配される粒子系の進化として再想像する。 この物理駆動のアプローチは、パラメータ凝縮の現象を緩和し、最適化中のパラメータの多様性を本質的に促進する。
  論文  参考訳（メタデータ） (2025-05-20T18:00:01Z)
• A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems [0.0]
  対流に対する物理インフォームRBCサロゲートモデルを提案する。 我々のアプローチは、空間還元のための標準次元ニューラルネットワークと、大きな言語モデルにインスパイアされた革新的な再帰的アーキテクチャを組み合わせる。 このモデルは、計算コストを削減しつつ、重要な物理的特徴を再現し、長期シミュレーションのためのDNSに代わるスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-16T06:47:00Z)
• 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)
• Generative Modeling of Neural Dynamics via Latent Stochastic Differential Equations [1.5467259918426441]
  本稿では,生体神経系の計算モデル構築のためのフレームワークを提案する。 我々は、微分ドリフトと拡散関数を持つ結合微分方程式系を用いる。 これらのハイブリッドモデルは,刺激によって誘発される神経および行動応答の予測において,競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2024-12-01T09:36:03Z)
• A short trajectory is all you need: A transformer-based model for long-time dissipative quantum dynamics [0.0]
  深層人工知能ニューラルネットワークは、散逸環境に結合した量子システムの長時間の人口動態を予測することができることを示す。 我々のモデルは、リカレントニューラルネットワークのような古典的な予測モデルよりも正確です。
  論文  参考訳（メタデータ） (2024-09-17T16:17:52Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)

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。