論文の概要: Emulating Cosmic Structure Formation with a Lagrangian Neural Cellular Automaton

• arxiv url: http://arxiv.org/abs/2607.27320v1
• Date: Wed, 29 Jul 2026 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.293076
• Title: Emulating Cosmic Structure Formation with a Lagrangian Neural Cellular Automaton
• Title（参考訳）: ラグランジアンニューラルセルオートマトンによる宇宙構造形成のシミュレーション
• Abstract要約: 本研究では,共振格子上の局所的反復的動的過程として構造形成に適用可能なハイブリッドディープラーニングフレームワークを提案する。 非線型物理学の高忠実なエミュレーションを実現するため,Zeldovich近似のテクスチレンス変位補正のみを学習するようにネットワークを訓練する。 トレーニングされたモデルでは、パワーとクロススペクトルのパーセンテージレベルの精度を非線形状態によくサポートしています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Field-level inference of cosmological initial conditions from galaxy surveys requires a forward model that is simultaneously accurate in the non-linear regime, computationally efficient, and fully differentiable. Traditional N-body simulations are accurate but computationally prohibitive for iterative inference, while approximate solvers like Lagrangian Perturbation Theory (LPT) fail to capture the knotty halo-forming dynamics of the cosmic web at late times. We introduce the \textit{Lagrangian Neural Cellular Automaton} (LNCA), a hybrid deep learning framework that can be applied to emulate structure formation as a local, iterative dynamical process on a comoving lattice. Unlike standard Eulerian Convolutional Neural Networks (CNNs) which map fixed density fields, the LNCA operates in the Lagrangian frame, advecting the computational graph itself to follow the flow of mass. By training the network to learn only the \textit{residual} displacement corrections to the Zeldovich approximation, we achieve high-fidelity emulation of the non-linear physics while guaranteeing accuracy at large scales. We further constrain our model to produce complete trajectories, not just final states, by adopting an equivariant cellular automaton architecture, which recurrently iterates on its internal states to yield a dynamic history. The resulting model is strictly local, translationally and rotationally equivariant, and naturally supports continuous time integration, making it a reliable differentiable forward model for reconstructing the initial conditions of the universe from lightcone data. Our trained model supports percent-level precision in the power and cross spectra well into the non-linear regime ($k \lesssim 0.5 \, h \text{Mpc}^{-1}$), while requiring $\sim10^4$ times fewer learned parameters than comparable models which take the form of an interpretable internal dynamic rule set.
• Abstract（参考訳）: 銀河調査による宇宙の初期条件の場レベルの推測は、非線形状態において同時に正確で、計算効率が良く、完全に微分可能な前方モデルを必要とする。 従来のN体シミュレーションは、反復推論では正確だが計算が禁じられているが、ラグランジアン摂動理論(LPT)のような近似解法は、後期の宇宙ウェブのノッティハロフォーミングダイナミクスを捉えていない。 本稿では,構造形成を局所的かつ反復的な動的過程としてコーブリング格子上にエミュレートできるハイブリッドディープラーニングフレームワークである「textit{Lagrangian Neural Cellular Automaton} (LNCA)」を紹介する。 固定密度場をマッピングする標準的なユーレリア畳み込みニューラルネットワーク(CNN)とは異なり、LNCAはラグランジアンフレームで動作し、計算グラフ自体を質量の流れに従わせる。 ネットワークにZeldovich近似に対するtextit{residual}変位補正のみを学習させることにより、大規模で精度を保証しつつ、非線形物理学の高忠実性エミュレーションを実現する。 さらに、同変セルオートマトンアーキテクチャを採用し、内部状態を反復して動的履歴を生成することによって、最終状態だけでなく完全な軌道を生成するよう、我々のモデルに制約を課す。 結果のモデルは厳密に局所的、翻訳的、回転的に同変であり、自然に連続的な時間積分をサポートし、光錐データから宇宙の初期条件を再構築するための信頼性の高い微分可能前方モデルとなる。 我々の訓練されたモデルは、パワーとクロススペクトルのパーセンテージレベルの精度を、非線形な状態(k \lesssim 0.5 \, h \text{Mpc}^{-1}$)によくサポートします。

関連論文リスト

• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• Learned Lagrangian Models of PDEs via Euler-Lagrange Residual Minimization [6.069579199180933]
  学習された連続ラグランジアンを直接使用して、偏微分方程式によって支配される系の力学を予測する最初の方法を提案する。 我々は、二乗オイラー・ラグランジュ残差を最小化する最適化に基づく積分器を開発する。 我々は,2次元振り子,1次元波動方程式,2次元波動方程式の学習表現に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2026-05-08T02:43:11Z)
• Intrinsic-Metric Physics-Informed Neural Networks (IM-PINN) for Reaction-Diffusion Dynamics on Complex Riemannian Manifolds [0.0]
  本研究は,本質的物理インフォームドニューラルネットワーク(IM-PINN)を紹介する。 メッシュのない幾何学的深層学習フレームワークであり、連続パラメトリック領域において偏微分方程式を直接解く。 このフレームワークは、進化する表面上の生物学的パターンの形成をシミュレートするための、メモリ効率が高く、解像度に依存しないパラダイムを提供する。
  論文  参考訳（メタデータ） (2025-12-26T12:41:05Z)
• 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)
• Equivariant U-Shaped Neural Operators for the Cahn-Hilliard Phase-Field Model [4.79907962230318]
  等価なU字型ニューラル作用素(E-UNO)が過去の力学の短い歴史から位相場変数の進化を学習できることを示す。 対称性とスケール階層を符号化することにより、モデルはより一般化され、トレーニングデータが少なくなり、物理的に一貫したダイナミクスが得られる。
  論文  参考訳（メタデータ） (2025-09-01T09:25:31Z)
• 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)
• Learning the Universe: Learning to Optimize Cosmic Initial Conditions with Non-Differentiable Structure Formation Models [0.22940141855172033]
  本稿では,3次元宇宙初期条件を再構築するためのLearning the Universe by Learning to Optimize (LULO)を紹介する。 LULOは、3次元宇宙の初期条件を再構築するための勾配のないフレームワークである。 ダークマターのみの$N$ボディシミュレーションで同定した$M_200mathrmc$halosから初期条件を正確に再構成することで,本手法を実証する。
  論文  参考訳（メタデータ） (2025-02-18T19:17:01Z)
• 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)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs [19.1312659245072]
  我々は,データ駆動型離散化不変フレームワークであるGIOROMについて,低次モデリング(ROM)によるラグランジアンシミュレーションを高速化する。 我々は、PDEソリューション演算子のデータ駆動グラフに基づくニューラル近似を利用する。 GIOROMは6.6$times$-32$times$の入力次元の縮小を実現し、多様なラグランジアン体制における高忠実度再構成を維持している。
  論文  参考訳（メタデータ） (2024-07-04T13:37:26Z)
• 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)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。