SwarmThinkers: Learning Physically Consistent Atomic KMC Transitions at Scale

要約

科学的シミュレーションシステムは、物理的に一貫性があり、設計によって解釈可能であり、レジーム全体でスケーラブルである可能性がありますか？
何十年もの進歩にもかかわらず、この三連はとらえどころのないままです。
速度論的モンテカルロのような古典的な方法は、熱力学的精度を確保しますが、スケーリングが低下します。
学習ベースの方法は効率を提供しますが、多くの場合、物理的な一貫性と解釈可能性を犠牲にします。
物理的に接地された群れインテリジェンスシステムとしてアトミックスケールシミュレーションを再構築する強化学習フレームワークであるSwarmHinkersを提示します。
各拡散粒子は、熱力学的制約の下で訓練された共有ポリシーネットワークを介して遷移を選択するローカル意思決定エージェントとしてモデル化されます。
再重み付けメカニズムは、学んだ好みと移行率を融合し、解釈可能な段階的な意思決定を可能にしながら統計的忠実度を維持します。
トレーニングは、集中訓練の分散型解実行パラダイムに従い、再訓練なしでシステムのサイズ、濃度、および温度にわたってポリシーを一般化できるようにします。
放射線誘発Fe-Cu合金の沈殿をシミュレートするベンチマークでは、SwarmThinkersは、以前はSuperComputerのOpenKMCを介してのみ達成できた、単一のA100 GPUで本格的で物理的に一貫したシミュレーションを実現する最初のシステムです。
485倍低いメモリ使用量を備えた最大4963倍（平均で3185倍）の高速計算を提供します。
パッシブサンプラーではなく意思決定者として粒子を扱うことにより、スワームシンカーは、科学的シミュレーションのパラダイムシフトを示します。これは、エージェント駆動のインテリジェンスを通じて物理的な一貫性、解釈可能性、およびスケーラビリティを統一します。

要約(オリジナル)

Can a scientific simulation system be physically consistent, interpretable by design, and scalable across regimes–all at once? Despite decades of progress, this trifecta remains elusive. Classical methods like Kinetic Monte Carlo ensure thermodynamic accuracy but scale poorly; learning-based methods offer efficiency but often sacrifice physical consistency and interpretability. We present SwarmThinkers, a reinforcement learning framework that recasts atomic-scale simulation as a physically grounded swarm intelligence system. Each diffusing particle is modeled as a local decision-making agent that selects transitions via a shared policy network trained under thermodynamic constraints. A reweighting mechanism fuses learned preferences with transition rates, preserving statistical fidelity while enabling interpretable, step-wise decision making. Training follows a centralized-training, decentralized-execution paradigm, allowing the policy to generalize across system sizes, concentrations, and temperatures without retraining. On a benchmark simulating radiation-induced Fe-Cu alloy precipitation, SwarmThinkers is the first system to achieve full-scale, physically consistent simulation on a single A100 GPU, previously attainable only via OpenKMC on a supercomputer. It delivers up to 4963x (3185x on average) faster computation with 485x lower memory usage. By treating particles as decision-makers, not passive samplers, SwarmThinkers marks a paradigm shift in scientific simulation–one that unifies physical consistency, interpretability, and scalability through agent-driven intelligence.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google