論文の概要: Graph-Recurrent Learning of Emergent Collective Dynamics

• arxiv url: http://arxiv.org/abs/2610.31350v1
• Date: Thu, 22 Oct 2026 14:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.408535
• Title: Graph-Recurrent Learning of Emergent Collective Dynamics
• Title（参考訳）: 創発的集合ダイナミクスのグラフ繰り返し学習
• Abstract要約: トラジェクトリから直接創発的ダイナミクスを学習するグラフリカレントニューラルネットワークフレームワークを導入する。 このフレームワークは、ゲートリカレントメモリとグラフメッセージパッシングを統合している。 半古典的ホルシュタインモデルにおける電荷-密度-波列の創発的ダイナミクスについて、この枠組みを実証する。
• 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: Collective ordering in correlated electron systems emerges from microscopic dynamics, yet the evolution of observable textures need not admit a closed, memoryless description. We introduce a graph-recurrent neural network (GRNN) framework that learns such emergent dynamics directly from trajectories without specifying microscopic equations of motion. The framework integrates gated recurrent memory with graph message passing: local hidden states encode information beyond the instantaneous observables, while spatial coupling allows this information to propagate between sites. The observable and hidden fields evolve jointly through a shared local rule, providing a scalable representation of dynamics with spatial interactions and temporal memory. We demonstrate this framework on the emergent dynamics of charge-density-wave order in the semiclassical Holstein model, successfully reproducing temporal and spatial correlations and dynamical scaling during domain coarsening. By learning finite-time evolution directly, the GRNN offers a route to efficient, data-driven descriptions of collective dynamics with unresolved microscopic degrees of freedom.
• Abstract（参考訳）: 相関電子系の集団秩序は、顕微鏡力学から生じるが、観測可能なテクスチャの進化は、閉じた記憶のない記述を含まない。 運動の微視的方程式を指定せずに、軌道からそのような創発的ダイナミクスを直接学習するグラフリカレントニューラルネットワーク(GRNN)フレームワークを導入する。 このフレームワークはゲートされたリカレントメモリとグラフメッセージパッシングを統合している: ローカルな隠蔽状態は、瞬時に観測できる範囲を超えて情報をエンコードする。 観測可能フィールドと隠されたフィールドは共有ローカルルールを通じて共同で進化し、空間的相互作用と時間記憶を伴うダイナミックスのスケーラブルな表現を提供する。 本研究では,半古典的ホルシュタインモデルにおける電荷-密度-波列の創発的ダイナミクスについて,時間的および空間的相関と領域粗大化時の動的スケーリングの再現に成功した。 GRNNは、有限時間進化を直接学習することで、未解決の顕微鏡自由度を持つ集合力学の効率的でデータ駆動的な記述への道を提供する。

関連論文リスト

• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• Graph Mamba Operator: A Latent Simulator for Interacting Particle Systems [10.350116716381299]
  グラフに基づく相互作用学習と状態空間モデルを統合する潜在空間シミュレータであるGraph Mamba Operator (GraMO)を紹介する。 GraMOはグラフベースのインタラクションと時間状態の更新を,単一のリカレンス内で結合する。 我々は,N体システム,モーションキャプチャ,ロボットのデータセット上でGraMOを評価する。
  論文  参考訳（メタデータ） (2026-06-08T12:42:10Z)
• Dynamic Link Prediction with Temporally Enhanced Signed Graph Neural Networks [1.5259434915412646]
  時間的署名ネットワーク(TSN)は、協調関係と敵対関係の時間的進化をモデル化する。 本稿では,歴史的文脈を静的なアーキテクチャに統合した署名付きGNNのための時空間拡張フレームワークを提案する。 Bitcoin OTC、Bitcoin Alpha、Reddit、および小さな世界のネットワークモデルを含む、現実世界および合成TSNの実験は、一貫性と統計的に重要な改善を示している。
  論文  参考訳（メタデータ） (2026-05-25T19:28:01Z)
• Dynamic Graph Condensation [40.099854631984556]
  動的グラフにおける時間的拡張は、重要なデータ効率の課題を引き起こす。 実動的グラフをコンパクトなバージョンに凝縮するフレームワークであるDyGCを提案する。 提案手法は, 最大96.2%のDGNN性能を保ち, 元のグラフサイズは0.5%に留まり, 最大1846倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-06-16T05:11:29Z)
• 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)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Multi-Scale Spatial-Temporal Self-Attention Graph Convolutional Networks for Skeleton-based Action Recognition [0.0]
  本稿では,マルチスケール空間時間自己注意(MSST)-GCNという自己注意型GCNハイブリッドモデルを提案する。 適応トポロジを持つ空間自己保持モジュールを用いて、異なる身体部分間のフレーム内相互作用を理解するとともに、時間的自己保持モジュールを用いてノードのフレーム間の相関関係を調べる。
  論文  参考訳（メタデータ） (2024-04-03T10:25:45Z)
• Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting [35.072979313851235]
  交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。 既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。 本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
  論文  参考訳（メタデータ） (2020-12-15T14:03:17Z)

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。