Collective Relational Inference for learning physics-consistent heterogeneous particle interactions

要約

タイトル：物理学的整合性のある異種粒子間相互作用を学習するための集団関係推論

要約：
– 粒子間相互作用は自然界や工学の分野で広く使われている。
– 粒子間相互作用則を明らかにすることは基本的に重要だが、構成上の複雑さにより、特に困難である。
– 機械学習による方法が開発され、均質な系統の粒子からペアワイズ相互作用を発見する潜在能力を秘めている。
– しかし、実際の異種システムでは複数の相互作用タイプが同時に存在し、関係推論が必要なため、相互作用を明らかにすることは失敗する。
– ここでは、既存の方法と比較して2つの特徴を持つ関係推論のための新しい確率的方法を提案する。
– まず、異なるエッジの相互作用タイプを集団的に推定し、それに基づいて物理学に基づいたグラフニューラルネットワークを使用して物理学的に一致するペアワイズ相互作用を学習する。
– 提案方法をいくつかのベンチマークデータセットで評価し、その方法が基礎となる物理学に一致していることを示した。
– さらに、既存の方法よりも相互作用タイプを正確に推定する能力を示し、データ効率的で小さなシステムでトレーニングされた場合、大きなシステムにも一般化できることが示された。
– 開発された方法論は、粒子系の巨視的力学特性を決定する基本的な法則の発見において重要な要素を構成している。

要約(オリジナル)

Interacting particle systems are ubiquitous in nature and engineering. Revealing particle interaction laws is of fundamental importance but also particularly challenging due to underlying configurational complexities. Recently developed machine learning methods show great potential in discovering pairwise interactions from particle trajectories in homogeneous systems. However, they fail to reveal interactions in heterogeneous systems that are prevalent in reality, where multiple interaction types coexist simultaneously and relational inference is required. Here, we propose a novel probabilistic method for relational inference, which possesses two distinctive characteristics compared to existing methods. First, it infers the interaction types of different edges collectively, and second, it uses a physics-induced graph neural network to learn physics-consistent pairwise interactions. We evaluate the proposed methodology across several benchmark datasets and demonstrate that it is consistent with the underlying physics. Furthermore, we showcase its ability to outperform existing methods in accurately inferring interaction types. In addition, the proposed model is data-efficient and generalizable to large systems when trained on smaller ones, which contrasts with previously proposed solutions. The developed methodology constitutes a key element for the discovery of the fundamental laws that determine macroscopic mechanical properties of particle systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI