論文の概要: Adaptive Interaction Graphs for Particle Simulation

• arxiv url: http://arxiv.org/abs/2609.30822v1
• Date: Fri, 25 Sep 2026 05:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.233351
• Title: Adaptive Interaction Graphs for Particle Simulation
• Title（参考訳）: 粒子シミュレーションのための適応相互作用グラフ
• Abstract要約: AdaptGNSはグラフニューラルネットワークに基づく学習粒子シミュレータである。 不連続なガウス的NLL損失の下で加速ヘッドと共に訓練された粒子ごとの分散ヘッドは、高不確かさ粒子が拡張された近傍を受け取る軌道を駆動する。 重要な発見は、分散ヘッドが不確実性という意味のある概念を学ぶことである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned particle simulators based on graph neural networks achieve strong one-step accuracy, but errors compound over long horizons. An underexplored variable is the interaction graph: existing methods fix its topology via k-nearest neighbors or a static radius rule, regardless of local model confidence. We propose making this graph adaptive: a per-particle variance head, trained jointly with the acceleration head under a heteroscedastic Gaussian NLL loss, drives a trajectory in which high-uncertainty particles receive an expanded neighborhood. This is done at little extra inference cost by using the previous step's uncertainty estimate. A key discovery is that the variance head learns a meaningful notion of uncertainty: high-variance particles concentrate near complex regions, such as splash zones or free surfaces. When this signal drives graph topology, the resulting AdaptGNS simulator achieves a strict Pareto improvement on WaterDrop and a modest gain on Sand. Given the model's stronger performance on WaterDrop, we hypothesize that adaptive graphs are most useful when complexity is concentrated in space. Our code can be found at https://github.com/aidenzhou8/AdaptGNS.
• Abstract（参考訳）: グラフニューラルネットワークに基づく学習された粒子シミュレータは、強いワンステップ精度を達成するが、エラーは長い地平線上で複雑になる。 既存の方法は、局所モデルの信頼性に関わらず、k-アネレスト近傍または静的半径則によって位相を固定する。 このグラフを適応させる: 粒子ごとの分散ヘッドは、不連続なガウス的NLL損失の下で加速ヘッドと共同で訓練され、高不確かさ粒子が拡張近傍を受信する軌道を駆動する。 これは、前ステップの不確実性推定を使用することで、ほとんど余分な推論コストで行われる。 重要な発見は、分散ヘッドが意味のある不確実性の概念を学ぶことである: 高分散粒子はスプラッシュゾーンや自由表面のような複雑な領域の近くに集中する。 この信号がグラフトポロジを駆動すると、結果のAdaptGNSシミュレータは、WaterDropの厳格なPareto改善とSandの適度な利得を達成する。 モデルがWaterDrop上でのより強い性能を考えると、複雑性が空間に集中する場合、適応グラフが最も有用である、という仮説を立てる。 私たちのコードはhttps://github.com/aidenzhou8/AdaptGNSで参照できます。

関連論文リスト

• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• A Graph Dynamics Prior for Relational Inference [32.95304658481818]
  GDPはグラフを従来の方法よりもはるかに正確に再構築し、顕著な堅牢性を持っている。 GDPは科学機械学習の応用に適している。 この研究は、非局所フィルタを用いて基底の解を操る。
  論文  参考訳（メタデータ） (2023-06-09T17:07:04Z)
• Graph Neural Network-based surrogate model for granular flows [2.153852088624324]
  粒状流速は地すべりや土砂流など,様々な技術的リスクを評価する上で重要である。 従来の連続法と離散法は、大規模システムのシミュレーションにおける計算コストによって制限される。 本研究では,局所的な相互作用法則を学習することにより,粒状流の現在の状態と次の状態を予測するグラフニューラルネットワークベースシミュレータ(GNS)を開発した。
  論文  参考訳（メタデータ） (2023-05-09T07:28:12Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
  グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。 ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。 我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-15T08:01:08Z)
• Fast Simulation of Particulate Suspensions Enabled by Graph Neural Network [21.266813711114153]
  我々は、ストークス懸濁液中の粒子の力学を推論し、予測するための新しい枠組み、流体力学的相互作用グラフニューラルネットワーク(HIGNN)を導入する。 これは計算効率、精度、および/または転送可能性における従来のアプローチの限界を克服する。 提案するHIGNNフレームワークの精度,効率,転送性について,多種多様なシステムで検証した。
  論文  参考訳（メタデータ） (2022-06-17T14:05:53Z)
• Beyond spectral gap: The role of the topology in decentralized learning [58.48291921602417]
  機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。 本稿では、労働者が同じデータ分散を共有するとき、疎結合な分散最適化の正確な図面を描くことを目的とする。 我々の理論は深層学習における経験的観察と一致し、異なるグラフトポロジーの相対的メリットを正確に記述する。
  論文  参考訳（メタデータ） (2022-06-07T08:19:06Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Consensus-Based Optimization on Hypersurfaces: Well-Posedness and Mean-Field Limit [7.998311072988401]
  コンパクト超曲面上の非場関数の大域的最適化のための新しい微分モデルを提案する。 特に、合意に達したらすぐに、合意は消える。
  論文  参考訳（メタデータ） (2020-01-31T18:33:08Z)

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。