arXiv:2610.10626v1 cs.LG

회전 견고 신경 동역학을 위한 정확한 SO(3)-등변 등방성 커널

Exact SO(3)-Equivariant Isotropic Kernels for Rotation-Robust Neural Dynamics

Ridham Patel

제출 2026-10-07

저자 비고

arXiv Comments

Accepted at NeurIPS 2026 Workshop NeurReps (Proceedings Track)

한국어 초록

벡터값 편미분 방정식(PDE)을 위한 신경 대리 모델은 학습(training) 데이터에는 잘 적합될 수 있지만, 동일한 물리적 상태가 회전된 좌표계로 표현될 때 예측값이 달라질 수 있습니다. 본 연구에서는 불규칙하게 배치된 지점에서 관측되는 3차원 나비에-스토크스(Navier--Stokes) 동역학에서 이러한 문제를 조사합니다. 우리는 회전에 의해 변하지 않는 스칼라양과 데이터를 따라 함께 회전하는 벡터 방향으로부터 국소 상호작용을 구성하는 소형 그래프 모델인 불변 조건화 등방성 커널 신경 연산자(IKNO)를 소개합니다. 그 결과, 위치와 속도를 회전시키면 예측된 속도 변화도 정확히 동일한 방식으로 회전합니다. 모델 설계 후 고정된 홀드아웃 테스트 세트에서, 무제약 그래프 모델을 무작위로 회전된 예제로 학습시키면 좌표 의존성이 줄어들기는 하지만 완전히 제거되지는 않습니다. 반면, IKNO는 수치 정밀도(precision) 수준에서 일관성을 유지하며, 파라미터 수가 5.6배 적으면서도 일반적인 회전 인지 텐서(tensor) 장 네트워크(Tensor Field Network)의 예측 정확도와 일치하고 파라미터 수가 동일한 그래프 시뮬레이터보다 우수한 성능을 보입니다. 이러한 결과는 소형 PDE 특화 모델이 예측 정확도를 희생하지 않고도 좌표 의존성을 제거할 수 있음을 보여줍니다.

원문 초록

Neural surrogates for vector-valued partial differential equations can fit training data yet change their predictions when the same physical state is expressed in a rotated coordinate frame. We study this failure on three-dimensional Navier--Stokes dynamics observed at irregularly placed points. We introduce the Invariant-Conditioned Isotropic Kernel Neural Operator (IKNO), a compact graph model that builds local interactions from scalar quantities unchanged by rotation and vector directions that rotate with the data. Consequently, rotating the positions and velocities rotates the predicted velocity change in exactly the same way. On a held-out test set fixed after model design, training unconstrained graph models on randomly rotated examples reduces but does not eliminate their coordinate dependence. In contrast, IKNO is consistent to numerical precision, matches the forecasting accuracy of a general rotation-aware Tensor Field Network with $5.6$ times fewer parameters, and outperforms a parameter-matched graph simulator. These results show that a compact, PDE-specialized model can remove coordinate dependence without sacrificing forecasting accuracy.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.10626v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.20541v1cs.LG공통 태그 Graph Neural Network, neural operator

HypNO: 쌍곡 보존 법칙을 위한 물리 정보 메시지 패싱 기반 그래프 신경 연산자

HypNO: A Graph-Based Neural Operator with Physics-Informed Message Passing for Hyperbolic Conservation Laws

우리는 스칼라 쌍곡 보존 법칙을 위한 그래프 기반 신경 연산자(neural operator) HypNO를 제안한다. HypNO는 유한체적(finite-volume) 셀의 시공간 그래프 위에서 직접 동작하며, 인접성 분해(adjacency-factored) 기반의 물리 정보 메시지 패싱을 통해 충격(shock) 근처에서 상류(upwinding)와 엔트로피 허용성(entropy admissibility)을 준수한다. 우리는 이 아키텍처를 Lighthill-Whitham-Richards(LWR) 및 Aw-Rascle-Zhang(ARZ) 교통 흐름 모델에 대해 벤치마크한다. 이 모델들은 동시에 전역 수송(global transport)과 충격 형성이 일어나기 때문에 연산자 학습(operator learning) 방법에 대한 스트레스 테스트 역할을 한다. HypNO는 다양한 초기 조건에 걸쳐 해 스냅샷(solution snapshot)을 정확하게 예측하면서, 해의 충격과 불연속성(discontinuity)을 포착한다.

arXiv:2607.11672v1cs.LG공통 태그 Graph Neural Network, fluid dynamics

복잡한 기하학 구조에서의 유체 역학 예측을 위한 다중 스케일 특징 강화 그래프 신경망

A multi-scale feature enhanced graph neural network for fluid dynamics prediction in complex geometries

차량 및 항공우주 공학 등의 산업 설계 분야에서는 유체 역학 성능을 평가하기 위해 대규모 수치 시뮬레이션에 의존하는 경우가 많으며, 이는 막대한 계산 비용을 초래할 수 있다. 심층 신경망(deep neural network)은 시뮬레이션 효율성 향상에 가능성을 보여 왔으며, 특히 그래프 신경망(GNN)은 비정형 데이터에 대한 유연성 덕분에 높은 잠재력을 입증하고 있다. 그러나 GNN은 복잡한 기하학 구조와 대규모 메시(mesh)를 수반하는 작업에서 어려움에 직면한다. 본 논문에서는 이러한 과제를 해결하기 위해 다중 스케일 특징 강화 그래프 신경망(ME-GNN, Multi-scale Feature Enhanced Graph Neural Network)을 제안한다. ME-GNN은 2단계 메시지 패싱(message-passing) 메커니즘을 갖춘 그래프 신경망을 적용하여 상세한 로컬 특징을 효과적으로 포착한다. 또한 균일 격자 이산화(uniform grid discretization)를 결합한 Attention U-Net을 통합하여 세밀한 특징과 거친 특징 모두를 추출할 수 있다. 아울러 K-홉 샘플링(K-hop sampling)을 활용해 서브그래프를 구성함으로써 상세한 로컬 특징을 보존하면서 대규모 데이터셋에 대한 효율적인 학습을 지원한다. ME-GNN을 세 가지 벤치마크 데이터셋에서 평가한 결과, 최신 기술 수준(state-of-the-art)의 성능을 달성하였다: ShapeNet-Car에서 속도장(velocity field)에 대한 상대 L2 오차 0.0196, 표면 압력에 대한 상대 L2 오차 0.0556, AirfRANS에서 유동장(flow field)에 대한 정규화 평균 제곱 오차(NMSE) 0.0033, DrivAerNet에서 표면 압력에 대한 상대 L2 오차 0.1416을 기록하였다.

arXiv:2607.08025v1cs.LG공통 태그 Graph Neural Network, neural operator

PGD-NO: 3D 백만 규모 물리 시뮬레이션을 위한 사전 계산 기하 분해 신경 연산자

PGD-NO: A Neural Operator with Precomputed Geometry Decomposition for 3D Million-scale Physics Simulations

신경망 기반 PDE 솔버는 엔지니어링 시뮬레이션 가속화에 있어 상당한 잠재력을 보여왔으나, 기존 아키텍처는 높은 메모리 소모와 단일 노드 병목 문제로 제약을 받고 있으며, 처리 가능한 최대 메시 해상도가 단일 연산 유닛의 VRAM에 의해 엄격히 제한된다. 이러한 문제를 해결하기 위해 우리는 기하 인코딩의 계산 부담을 결정론적 사전 계산 단계로 이전하는 사전 계산 기하 분해(Precomputed Geometry Decomposition) 신경 연산자인 PGD-NO를 제안한다. 반복적 기하 분해 알고리즘을 활용하여 기하 토큰을 추출함으로써, 우리 모델은 특징 추출과 솔루션 쿼리를 분리한다. 이 아키텍처는 선형적 메모리 확장성을 가능하게 하여, 기존 아키텍처가 일반적으로 메모리 부족에 직면하는 1,000만 노드 이상의 메시에서도 고정밀 학습을 수행할 수 있다. PGD-NO는 다양한 산업용 벤치마크에서 경쟁력 있는 예측 정확도를 달성하며, 어텐션 메커니즘을 통한 내재적 해석 가능성을 제공한다. 전통적인 메시 크기 제약을 효과적으로 극복함으로써, PGD-NO는 차세대 대규모 고정밀 산업 설계 응용을 위한 강건하고 효율적인 솔루션을 제시한다.

arXiv:2609.25722v3cs.LG공통 태그 Graph Neural Network

부호 그래프 사전학습 및 프롬프트 학습

Signed Graph Pre-Training and Prompt Learning

부호 그래프(signed graph)는 엣지가 양수이거나 음수일 수 있으며 방향성을 가질 수도 있는 신뢰-불신 네트워크, 금융 상관관계 시스템, 생물학적 상호작용 그래프 및 기타 여러 도메인에서 발생합니다. 부호 그래프 신경망이 특정 태스크에 특화된 학습(training)을 향상시켰지만, 부호 그래프에서의 그래프 전이학습(transfer learning)은 여전히 미진한 상태입니다. 본 논문에서는 부호 그래프를 위한 선구적인 위상학 기반 그래프 사전학습(pre-training) 및 프롬프트(prompt) 학습 프레임워크인 TopoSIGN을 소개합니다. TopoSIGN은 자기 부호 라플라시안(magnetic signed Laplacian)을 기반으로 구축된 구조적 인코더와 Dowker 복합체 지속성 이미지(Dowker-complex persistence images)를 통해 부호 위상을 요약하는 새로운 지속성 호몰로지(persistent-homology) 브랜치를 결합합니다. 융합된 임베딩(embedding)은 이후 프롬프트 학습 함수로 전달됩니다. 합성 및 실제 데이터셋(dataset)에 대한 실험 결과는 부호 그래프에서 유용한 구조적 정보를 추출하는 TopoSIGN의 효능뿐만 아니라, 제안된 일반 프레임워크의 적응성과 유연성을 입증합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.