論文の概要: Physics-Constrained Neural Flow Maps for Long-Horizon Prediction of Spin Dynamics

• arxiv url: http://arxiv.org/abs/2608.22006v1
• Date: Sat, 22 Aug 2026 15:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.940972
• Title: Physics-Constrained Neural Flow Maps for Long-Horizon Prediction of Spin Dynamics
• Title（参考訳）: スピンダイナミクスの長距離予測のための物理制約ニューラルフローマップ
• Abstract要約: 本研究では,有限時間力学を単位球上で直接学習する物理拘束型ニューラルフローマップを提案する。 モデルは、現在の磁化、スピントルク強度、要求された時間帯を1回の前方通過で将来の状態にマッピングする。
• 参考スコア（独自算出の注目度）: 0.42481744176244507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional simulation of current-driven magnetization relies on fine-step integration of the spin-transfer-torque Landau--Lifshitz--Gilbert equation, creating a computational bottleneck in parameter sweeps and control searches. In this work, we propose a physics-constrained neural flow map that learns finite-time dynamics directly on the unit sphere. The model maps the current magnetization, spin-torque strength, and requested time span to a future state in a single forward pass. Tangent-space projection and spherical retraction preserve unit magnetization during recursive, composition-consistent rollout. We validate the framework on single-spin trajectories under in-domain torques and previously unseen but stronger drive. Beyond the training horizon, it achieves an in-domain root mean square error of $0.00425$ with norm drift at the $10^{-7}$ level. The flow outperforms an adapted Long Short-Term Memory (LSTM) in in-domain accuracy and geometric stability, although the LSTM retains slightly lower out-of-distribution state error. The resulting geometry-preserving propagator reduces reliance on fine-step integration and enables physically admissible long-horizon prediction.
• Abstract（参考訳）: 電流駆動磁化の従来のシミュレーションは、スピン-トランスファー-トルクランドー-リフシッツ-ギルベルト方程式の微細な積分に依存し、パラメータスイープと制御サーチの計算ボトルネックを生み出す。 本研究では,単位球上での有限時間力学を直接学習する物理制約型ニューラルフローマップを提案する。 モデルは、現在の磁化、スピントルク強度、要求された時間帯を1回の前方通過で将来の状態にマッピングする。 再帰的, 構成整合性ロールアウト時のタンジェント空間投射と球面抽出は単位磁化を保存する。 単スピントラジェクトリの枠組みをドメイン内トルク下で検証し,従来は見えなかったが強い駆動特性を示す。 トレーニングの地平線を超えて、ドメイン内のルート平均平方誤差は0.00425$で、標準ドリフトは10^{-7}$である。 フローはドメイン内精度と幾何安定性で適応されたLong Short-Term Memory(LSTM)より優れるが、LSTMは分配状態の誤差をわずかに小さく保っている。 結果として得られる幾何保存プロパゲータは、微細なステップの統合への依存を減らし、物理的に許容できる長距離予測を可能にする。

関連論文リスト

• Introducing SINFONIA: Symplectic, slimplectic and Magnusian (Neural) Flows for Orbital Numerical Integration and Acceleration [0.0]
  長周期重力波モデリングは、遅い散逸進化とともに高速な軌道運動を解決しなければならない。 ここでは、有限時間進化写像自体が明示的で微分可能な構造保存対象として学べるかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-03T03:31:07Z)
• Emulating Cosmic Structure Formation with a Lagrangian Neural Cellular Automaton [0.0]
  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。
  論文  参考訳（メタデータ） (2026-07-29T18:00:01Z)
• Semidefinite Relaxations for Collision-Free Motion Planning [53.160637667144876]
  C4トラジェクトリの観点で,inmathbbRn制約を通じて開始からゴールへ移動するポイントロボットに焦点をあてる。 C4トラジェクトリによる最小スナップ連続計画のプランナとしての有効性を示す。
  論文  参考訳（メタデータ） (2026-06-12T03:18:03Z)
• SpinFlow: A Physics-Informed Spin Field Framework for Traffic Phase Inference and Transition Detection [0.0]
  本研究では,物理インフォームド・スピンフィールド・フレームワークであるSpinFlowを提案する。 SpinFlowは、潜在スピンベクトルと競合平衡写像によって空間的に変化する位相重みをパラメトリズする。 R_q2$ 0.940、PEDドロップ94.9-100%、解釈可能な位相写像は前方精度、物理の整合性、ボトルネックローカライゼーションの3つの不均一基底線を上回る。
  論文  参考訳（メタデータ） (2026-05-22T07:25:06Z)
• Physics Aware Neural Networks: Denoising for Magnetic Navigation [3.624059602945058]
  空中システムは、地磁気データを抽出する上で重要な課題に直面している。 本研究では, 分散自由ベクトル場とE(3)等分散という, 物理学に基づく2つの制約に基づく枠組みを提案する。 実験により、これらの制約を埋め込むことで予測精度と物理的妥当性が大幅に向上し、古典的なディープラーニングアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-14T09:23:57Z)
• 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)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Losing momentum in continuous-time stochastic optimisation [42.617042045455506]
  運動量に基づく最適化アルゴリズムは 特に広まりました 本研究では、運動量を伴う勾配降下の連続時間モデルを解析する。 また、画像分類問題において畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-09-08T10:46:05Z)
• The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations, and Anomalous Diffusion [29.489737359897312]
  勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。 これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
  論文  参考訳（メタデータ） (2021-07-19T20:18:57Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• 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。