Core Concepts
相互作用するシステムにおける潜在的な力場を発見し、未知のフィールドを推測するためのニューラルフィールドを提案します。
Abstract
相互作用するオブジェクトは、グローバルなフィールド効果によって進化します。
ニューラルフィールドは、絶対状態に依存して潜在的な力場を予測します。
グラフネットワークと組み合わせて、系列データから未知の力場を学習し、将来の軌道を予測します。
Introduction
相互作用する動的システムは広く存在し、例えば荷電粒子やn体問題で観察されます。
これらのシステムは真空中では進化せず、背後にあるフィールドの影響を受けます。
Method
Aetherメソッドは、ニューラルフィールドとグラフネットワークを組み合わせて系列データから未知の力場を学習します。
厳密な等変換性が違反された場合でも、Aetherは局所的な相互作用とグローバルな効果を分離して捉えます。
Experiments
静的および動的な設定でAetherが他の手法よりも優れた性能を示すことが確認されました。
様々な実世界設定でAetherが未知の力場を正確に発見し、将来の軌道予測に有効であることが示されました。
Stats
ニューラルネットワークは任意解像度で信号をエンコード可能(Xie et al.)
静的および動的設定でAetherが他手法よりも優れた性能(Brandstetter et al.)
Quotes
"我々はニューラルフィールド導入し...系列データから未知の力場推測" - Kofinas et al.
"厳密な等変換性が違反された場合でも...局所的相互作用とグローバル効果分離" - Kofinas et al.