論文の概要: Learning coarse-step dynamics and internal mechanical response with graph networks

• arxiv url: http://arxiv.org/abs/2609.30344v1
• Date: Thu, 24 Sep 2026 12:49:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.07205
• Title: Learning coarse-step dynamics and internal mechanical response with graph networks
• Title（参考訳）: グラフネットワークを用いた粗いステップダイナミクスと内部機械応答の学習
• Abstract要約: 計算力学にインスパイアされた2つの構造を組み合わせたグラフニューラルネットワークベースのフレームワークであるNewmark-Beta-DGNを紹介する。 Newmark-Beta-DGNは、トレーニング中に観測されなかった機械量の推測と粗いステップの予測をリンクする。
• 参考スコア（独自算出の注目度）: 16.805431852365917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern sensing records the motion of physical systems, but often leaves the forces and mechanical response governing that motion unobserved. Inferring these quantities from discretely sampled trajectories is especially difficult at coarse time scales, when mechanical response evolves between observations and interactions propagate across the system. Here we introduce Newmark-\b{eta}-DGN, a graph neural network-based framework that combines two structures inspired by computational mechanics. First, a semi-implicit update inspired by the Newmark-\b{eta} method uses learned momentum fluxes and matrix-valued response operators to advance the state over each observed interval. Second, an operator-weighted virtual hub provides system-wide coupling through a sparse set of connections. The learned quantities thus determine the predicted motion and remain accessible for mechanical analysis. Across a deformable beam, human motion and protein dynamics, Newmark-\b{eta}-DGN supports long-horizon prediction at time steps for which explicit learned simulators deteriorate. Without force, moment or constitutive relation supervision, forces inferred from walking kinematics track independently derived hip and knee joint moments, while response operators learned on the beam recover the relative spatial and directional structure of its finite-element stiffness tangent. Newmark-\b{eta}-DGN therefore links coarse-step prediction to the inference of mechanical quantities that were never observed during training.
• Abstract（参考訳）: 現代のセンシングは物理系の運動を記録するが、運動が観測されていないことを支配している力と機械的反応を残していることが多い。 離散サンプリングされた軌道からこれらの量を推定することは、観測と相互作用の間の機械的応答がシステム全体に伝播するとき、特に粗い時間スケールでは困難である。 本稿では、計算力学にインスパイアされた2つの構造を組み合わせたグラフニューラルネットワークベースのフレームワークであるNewmark-\b{eta}-DGNを紹介する。 第一に、Newmark-\b{eta}法にインスパイアされた半単純更新では、学習された運動量束と行列値の応答演算子を用いて、観測間隔ごとに状態を前進させる。 第二に、演算子重み付き仮想ハブは、スパース接続を通じてシステム全体の結合を提供する。 学習した量によって予測された動きが決定され、機械的解析に利用できる。 変形可能なビーム、人間の動き、タンパク質の動力学を越えて、Newmark-\b{eta}-DGNは、明示的な学習シミュレータが劣化する時間ステップにおいて、長い水平予測をサポートする。 歩行運動から推定される力は、力、モーメント、構成的関係の監督がなければ、独立した股関節と膝関節のモーメントをトラックし、一方、ビームで学習した応答演算子は有限要素剛性の相対的空間的および方向的構造を回復する。 したがって、Newmark-\b{eta}-DGNは、トレーニング中に観測されなかった機械量の推測と粗いステップの予測を結びつける。

関連論文リスト

• Controlled Dynamics Attractor Transformer [58.15454173718687]
  トランスフォーマーアーキテクチャは自己認識機構を通じて深層モデルにおける高度な表現学習と推論を行う。 並行して、連想記憶(AM)フレームワークはエネルギーランドスケープに表現をマッピングし、解釈可能な検索メカニズムを提供する。 我々は,ミセス・フィッシャー (Mo-vMF) の注意エネルギーとホップフィールド精製エネルギーを混合した制御型ダイナミクス・アトラクタ変換器 (CCAT) を提案する。 CCATは、グラフ異常検出とグラフ分類において、複数のベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-13T09:04:22Z)
• Mechanical Field Networks: Structured Neural Dynamics for Multivariate Systems [0.0]
  MF-Netは、共有フィールド状態のすべての変数を表すリカレントな動的モデルであり、この状態を学習関係法則によって更新する。 ここでのメカニカルとは、学習された関係が状態に依存したフロー、フィールド応答、運動傾向を形作り、フィールド状態を前進させる移行の相互関係組織を指す。 既知の対話システム、カオスベンチマーク、実際のニューラル記録、生態時系列など、MF-Netは、検査可能な構造的読み出しを維持しながら、競合する短・中水平予測を達成している。
  論文  参考訳（メタデータ） (2026-06-08T15:23:16Z)
• 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)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Equi-Euler GraphNet: An Equivariant, Temporal-Dynamics Informed Graph Neural Network for Dual Force and Trajectory Prediction in Multi-Body Systems [5.442686600296734]
  物理インフォームドグラフニューラルネットワーク(GNN)であるEqui-Euler GraphNetを提案する。 Equi-Euler GraphNetはトレーニングディストリビューションを超えて一般化され、目に見えない速度、負荷、設定の下でロードとトラジェクトリを正確に予測する。 トラジェクトリ予測に重点を置く最先端のGNNよりも優れており、エラーの蓄積を最小限に抑えながら、数千のタイムステップで安定したロールアウトを実現する。
  論文  参考訳（メタデータ） (2025-04-18T16:09:57Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• 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)
• Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network [0.0]
  地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。 本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
  論文  参考訳（メタデータ） (2022-08-28T09:13:33Z)

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。