論文の概要: Learning Nonlocal Interactions in Large-Scale Heterogeneous Metamaterials through Scientific Machine Learning

• arxiv url: http://arxiv.org/abs/2610.41887v1
• Date: Fri, 30 Oct 2026 15:31:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.789667
• Title: Learning Nonlocal Interactions in Large-Scale Heterogeneous Metamaterials through Scientific Machine Learning
• Title（参考訳）: 科学機械学習による大規模異種メタマテリアルにおける非局所的相互作用の学習
• Abstract要約: マルチスケールシステムにおける非局所性は、フラクチャー力学、波動物理学、乱れたシステムにまたがる設計要素としてますます見なされている。 異種システムにおける構成に依存した相互作用を学習するドメイン分解アテンションニューラル演算子(DANO)を提案する。 AI-for-Scienceツールとして、対話の検出と、非ローカルなマルチスケールシステムのスケーラブルでカスタマイズ可能な設計をサポートする。
• 参考スコア（独自算出の注目度）: 11.080391110236846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multiscale systems, nonlocal interactions among spatially distributed constituents can unlock collective, potentially emergent behavior irreducible to individual constituent responses. Beyond characterization, nonlocality in multiscale systems is increasingly viewed as a design element across fracture mechanics, wave physics, and disordered systems. Existing nonlocality theories provide rigorous descriptions and mechanistic insight, but often require prescribed analytic forms, range, symmetries, or periodicity. Machine learning offers a data-driven route to learn interactions, yet principled approaches that tie the network design to physical theory remain nascent. Here we present domain-decomposition attention neural operator (DANO), which learns configuration-dependent interactions in heterogeneous systems governed by linear field equations from field data alone. Through a case study in large-scale optical metasurfaces, we demonstrate DANO's full-field prediction under geometric heterogeneity and across drive conditions, small-to-large domain transfer, and multifunctional inverse design, with learned interactions validated through physics-based interrogation. As an AI-for-Science tool, it supports interaction discovery and scalable, customizable design of nonlocal multiscale systems, including virtual-reality optics.
• Abstract（参考訳）: マルチスケールシステムでは、空間分布成分間の非局所的相互作用は、個々の構成成分応答とは無関係な集団的、潜在的に創発的な振る舞いを解き放つことができる。 キャラクタリゼーション以外にも、マルチスケールシステムにおける非局所性は、フラクチャー力学、波動物理学、乱れたシステムにまたがる設計要素としてますます見なされている。 既存の非局所性理論は厳密な記述と機械的な洞察を提供するが、しばしば所定の解析形式、範囲、対称性、周期性を必要とする。 機械学習は、インタラクションを学ぶためのデータ駆動の経路を提供するが、ネットワーク設計と物理理論を結びつける原則的なアプローチは、まだ初期段階にある。 ここでは、フィールドデータのみから線形場方程式によって支配される不均一系における構成依存相互作用を学習するドメイン分解アテンションニューラル演算子(DANO)を提案する。 大規模光学メタサーフェスにおけるケーススタディを通じて, DANOの完全場予測を幾何的不均一性, 駆動条件, 小規模から大規模領域移動, 多機能的逆設計で実証した。 AI-for-Scienceツールとして、対話の検出と、仮想現実光学を含む非ローカルなマルチスケールシステムのスケーラブルでカスタマイズ可能な設計をサポートする。

関連論文リスト

• The Kuramoto Neural Operator: Learning to Solve PDEs via Coupled Oscillator Dynamics [46.539149169728624]
  我々は,対話型発振器の潜在磁場の進化を通じて解を導出する倉本ニューラル演算子(KNO)を紹介する。 KNOは強力な予測性能を実現し、競合するアプローチよりも改善されている。
  論文  参考訳（メタデータ） (2026-08-10T21:11:58Z)
• Learning partially observed systems with neural Hamiltonian ordinary differential equations [41.99844472131922]
  データから部分的に観察された力学系を学習するために、ニューラルハミルトニアン常微分方程式(NHODE)を提案する。 このフレームワークは、線形および非線形な質量ばね系からカオス的な3体問題に至るまで、複雑さが増すシステムで評価される。
  論文  参考訳（メタデータ） (2026-05-22T11:18:39Z)
• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• Decomposing heterogeneous dynamical systems with graph neural networks [0.0]
  観測可能な力学から相互作用規則と潜在不均一性を共同で学習するために、グラフニューラルネットワークがいかに簡単に設計できるかを示す。 本研究では, 相互作用粒子, ベクトル場, 信号ネットワークのシミュレーション実験により実験を行った。
  論文  参考訳（メタデータ） (2024-07-27T04:03:12Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Approach to Data Science with Multiscale Information Theory [0.0]
  データサイエンスは、大規模で複雑なデータセットから貴重な洞察を抽出する上で重要な役割を果たす、多分野の分野である。 データサイエンスの世界では、情報理論(IT)と統計力学(SM)の2つの基本的な要素がある。 本稿では,このデータサイエンスの枠組みを粒子からなる大規模かつ複雑な機械システムに適用する。
  論文  参考訳（メタデータ） (2023-05-23T01:08:50Z)
• High-dimensional monitoring and the emergence of realism via multiple observers [41.94295877935867]
  相関はすべての測定モデルの基本的なメカニズムである。 本稿では,弱度と強い非選択性の測定を補間するモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-13T13:42:19Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)

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。