論文の概要: ScaGNN: a Graph Neural Network for Multiple Scattering Simulations

• arxiv url: http://arxiv.org/abs/2609.37509v1
• Date: Tue, 29 Sep 2026 13:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.530816
• Title: ScaGNN: a Graph Neural Network for Multiple Scattering Simulations
• Title（参考訳）: ScaGNN:マルチ散乱シミュレーションのためのグラフニューラルネットワーク
• Abstract要約: 解のトレースを近似するために,学習に基づくアプローチを提案する。 ScaGNNは入力グラフ内のノード数と線形複雑性を実現するように調整されている。 実験の結果,提案手法は既存の学習手法を超越していることがわかった。
• 参考スコア（独自算出の注目度）: 42.085941481155295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The boundary element method (BEM) provides an efficient numerical framework for solving multiple scattering problems in unbounded homogeneous domains. By restricting the discretization to the domain boundaries, it substantially reduces computational complexity. The procedure first consists in determining the solution trace on the boundaries of the domain by solving a boundary integral equation. Then, the volumetric solution can be recovered at low computational cost using a boundary integral representation. As the first step of the BEM represents the main computational bottleneck, we present ScaGNN, a learning-based approach designed to approximate the solution trace. It relies on a graph neural network architecture that incorporates a dynamic adaptive edge sampling mechanism for selecting the most relevant interactions to model. Guided by intermediate predictions of expected error and edge length, this mechanism selects, at various stages of the forward pass, the most relevant distant interactions to model. The proposed method is tailored to achieve linear complexity with the number of nodes in the input graph. To train and evaluate our network, we present a benchmark consisting of several datasets with different types of multiple scattering problems. Our experiments show that our approach surpasses existing state-of-the-art learning-based methods on the considered tasks and investigate the generalization capabilities to settings with an increased number of obstacles and out-of-distribution obstacle shapes. github.com/LARIAD/ScaGNN
• Abstract（参考訳）: 境界要素法(BEM)は、非有界同質領域における多重散乱問題を解くための効率的な数値的枠組みを提供する。 離散化を領域境界に制限することにより、計算の複雑さを大幅に減らす。 手順は、まず境界積分方程式を解くことによって、領域の境界上の解トレースを決定する。 そして、境界積分表現を用いて、低計算コストで体積解を復元することができる。 BEMの第1ステップとして,解トレースを近似した学習ベースのアプローチであるScaGNNを提案する。 これは、モデルに最も関連するインタラクションを選択するための動的適応エッジサンプリング機構を組み込んだグラフニューラルネットワークアーキテクチャに依存している。 予測誤差とエッジ長の中間予測によって導かれるこのメカニズムは、フォワードパスの様々な段階において、モデルに対する最も関連する遠距離相互作用を選択する。 提案手法は入力グラフ内のノード数と線形複雑性を実現するために最適化される。 ネットワークをトレーニングし評価するために,異なる種類の多重散乱問題を持つ複数のデータセットからなるベンチマークを提案する。 実験の結果,本手法は既存の課題の学習手法を超越し,障害物数の増加や分布外障害物形状の増大を伴う設定への一般化能力について検討した。 github.com/LARIAD/ScaGNN

関連論文リスト

• PIBNet: a Physics-Inspired Boundary Network for Multiple Scattering Simulations [0.0]
  境界要素法(BEM)は、均質領域における多重散乱問題を解くための効率的な数値的枠組みを提供する。 PIBNetは、解のトレースを近似するために設計された学習ベースのアプローチである。 本稿では,様々な種類の多重散乱問題のデータセットからなるベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-11-26T16:42:28Z)
• Multi-level Neural Networks for high-dimensional parametric obstacle problems [0.0]
  挑戦的(ランダムな)パラメトリック障害物問題の解法を開発し,解析した。 障害物問題の高次元解は、特別に構築された畳み込みニューラルネットワーク(CNN)によって近似される 数値実験は、この挑戦的な問題に対する最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-07T12:50:56Z)
• A neural network approach for solving the Monge-Ampère equation with transport boundary condition [0.0]
  本稿では,輸送境界条件でモンジュ・アンペア方程式を解くためのニューラルネットワークに基づく新しい手法を提案する。 我々は、方程式の残差、境界条件、凸性制約を含む損失関数を最小化することにより、多層パーセプトロンネットワークを利用して近似解を学習する。
  論文  参考訳（メタデータ） (2024-10-25T11:54:00Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• A multiobjective continuation method to compute the regularization path of deep neural networks [1.3654846342364308]
  数値効率を保証し、モデルの解釈性を改善し、堅牢性を向上させるため、ディープニューラルネットワーク(DNN)では、スパシティは高い特徴である。 本稿では,数百万のパラメータを持つ高次元勾配に対して,上述の目的に対するスパースフロント全体を極めて効率的な方法で実現するアルゴリズムを提案する。 正規化パスの知識がネットワークパラメトリゼーションを十分に一般化することを示す。
  論文  参考訳（メタデータ） (2023-08-23T10:08:52Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。