物理情報グラフニューラルネットワークによる力積および角運動量保存則を満たす力学系のモデル化

科学分野:

• 物理学
• コンピュータサイエンス
• 工学

背景:

• 多体力学系の正確なモデリングは、予測と推論にとって重要です。
• 従来の物理ベースモデルは、スケーラビリティと計算コストに苦労しています。
• データ駆動型グラフニューラルネットワーク（GNN）は、物理的な一貫性と解釈可能性を欠いていることがよくあります。

研究 の 目的:

• 物理情報グラフニューラルネットワークであるDYNAMI-CAL GRAPHNETを提案すること。
• GNN学習と物理ベースの帰納的バイアスを統合してモデリングを改善すること。
• 力学系における従来の、および純粋にデータ駆動型アプローチの限界に対処すること。

主な方法:

• 新しい物理情報グラフニューラルネットワークであるDYNAMI-CAL GRAPHNETを開発しました。
• 等変エッジ局所参照フレームを使用して、ペアごとの線形および角運動量の保存を強制しました。
• 回転等変性、並進不変性、および置換等変性に対して設計されました。

主要な成果:

• ノードダイナミクスの物理的に一貫した予測を達成しました。
• エッジごとの線形および角運動量の解釈可能なインパルスを提供しました。
• 3D粒状システムにおける安定した誤差蓄積、効果的な外挿、および異種相互作用と外部力に対する堅牢な処理を実証しました。

結論:

• DYNAMI-CAL GRAPHNETは、複雑な多体力学系の正確で解釈可能、かつリアルタイムなモデリングを提供します。
• 力とモーメントの推論を可能にし、複雑な相互作用を効率的に処理します。
• ロボティクス、航空宇宙工学、材料科学、制御システム、および機械プロセス最適化に役立ちます。