論文の概要: Graph Neural Networks for Astrophysics and Cosmology

• arxiv url: http://arxiv.org/abs/2610.27051v1
• Date: Mon, 19 Oct 2026 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.441755
• Title: Graph Neural Networks for Astrophysics and Cosmology
• Title（参考訳）: 天体物理学と宇宙学のためのグラフニューラルネットワーク
• Abstract要約: 本稿では、天体物理学と宇宙論におけるグラフニューラルネットワーク(GNN)の利用について述べる。 GNNは物理学や物理データに似通っていることが多い。 ディープラーニングの幾何学の一般的な原理から始める方法を示し、グラフとグラフニューラルネットワークをゼロから構築する。
• 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: Physics seldom makes breakthroughs when we consider objects only in isolation. Instead we model and measure how objects sit among their neighbours, spatial, temporal, or otherwise: a galaxy in its environment, a halo in its history, a photon hit in a detector. Graphs are ideally suited for encoding exactly these relations, and Graph Neural Networks (GNNs) learn the geometric functions that respect them. This review presents the use of GNNs for astrophysics and cosmology, and argues that GNNs often suit physics and physical data better than any alternative: they fit the native geometry of the domain and the signal, enable the incorporation of the symmetries and prior knowledge we already trust and have toiled to build, and stay flexible enough to capture what we do not yet understand. GNNs' physically intuitive workings also render them more interpretable than other deep-learning architectures. We show how we can begin from general principles of the geometry of deep learning and build the graph and the graph neural network from the ground up, and how other architectures, like the convolutional network and the transformer, can be seen as special cases of one unified geometric blueprint. We survey applications across cosmology, galaxy formation, dynamics, and instrumentation; and we chart the frontier. From this survey, we find that only one in six articles outside instrumentation applies GNNs to data rather than just simulations. We also distil a set of best practices, including when not to reach for a graph. Throughout, we will prioritise physical intuition and foundational principles over mathematical machinery whenever possible.
• Abstract（参考訳）: 物体を単独で考えると、物理学はめったにブレークスルーしない。 その代わりに、隣人、空間的、時間的、その他の場所、環境中の銀河、歴史中のハロ、検出器に衝突した光子など、物体がどのように座るかをモデル化し、測定します。 グラフはこれらの関係を正確に符号化するのに理想的であり、グラフニューラルネットワーク(GNN)はそれらを尊重する幾何学的関数を学ぶ。 このレビューでは、天体物理学や宇宙論におけるGNNの使用について論じており、GNNは、どの分野よりも物理データや物理データに適している、と論じている。 GNNの物理的直感的な動作は、他のディープラーニングアーキテクチャよりも解釈可能である。 深層学習の幾何学の一般的な原理から始めて、グラフとグラフニューラルネットワークをゼロから構築する方法と、畳み込みネットワークやトランスフォーマーのような他のアーキテクチャが、統一された幾何学的青写真(英語版)の特別なケースとして見られるかを示す。 我々は、宇宙論、銀河形成、力学、計測の分野にまたがる応用を調査し、フロンティアをグラフ化した。 この調査から,データにGNNを適用するのは,単なるシミュレーションではなく,6つに1つに過ぎなかったことが判明した。 また、グラフに到達しない場合など、ベストプラクティスのセットを廃止しています。 今後は、数学的機械の物理的直観と基礎原理を可能な限り優先する。

関連論文リスト

• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [71.809127869349]
  本稿では、幾何学的メッセージパッシングの観点から、既存のモデルの統一的なビューを提供するデータ構造として幾何学的グラフを定式化する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Is Distance Matrix Enough for Geometric Deep Learning? [24.307433184938127]
  我々は,Vanilla DisGNNが幾何学的に不完全であることを示す。 次に,距離行列に含まれるリッチな幾何学を効果的に活用できる$k$-DisGNNを提案する。 私たちの$k$-DisGNNsはMD17.comの最先端の成果を多数達成しています。
  論文  参考訳（メタデータ） (2023-02-11T16:54:20Z)
• Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
  本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。 要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
  論文  参考訳（メタデータ） (2022-10-01T21:17:39Z)
• MGNN: Graph Neural Networks Inspired by Distance Geometry Problem [28.789684784093048]
  グラフニューラルネットワーク(GNN)は、機械学習分野における顕著な研究トピックとして現れている。 本稿では,GNNの分類段階における分類器の親近性に着想を得たGNNモデルを提案する。 合成および実世界の両方のデータセットを用いて実験を行い,本モデルの有効性を広範囲に評価した。
  論文  参考訳（メタデータ） (2022-01-31T04:15:42Z)
• Inferring halo masses with Graph Neural Networks [0.5804487044220691]
  我々は、ハローの位置、速度、恒星の質量、銀河の半径を推定するモデルを構築します。 我々は不規則でスパースなデータを扱うように設計されたグラフニューラルネットワーク(GNN)を使用している。 我々のモデルでは、ハロの質量を$sim$0.2 dexの精度で制限することができる。
  論文  参考訳（メタデータ） (2021-11-16T18:37:53Z)
• Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
  グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。 本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。 私たちはNode Maskingというシンプルなコンセプトを導入しました。
  論文  参考訳（メタデータ） (2020-01-17T06:26:40Z)

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。