概要

機械学習トップ国際会議 ICML (International Conference on Machine Learning) 2024 に採択された論文を RICOS のメンバーがピックアップして紹介します。特に、機械学習を物理シミュレーションに応用した研究や、その基礎となる研究について議論します。

なお、発表内容には、ICML2024 に採択された筑波大学と RICOS の共同研究の成果である "Graph Neural PDE Solvers with Conservation and Similarity-Equivariance" を含みます。

日時

2024 年 9 月 10 日 (火) 19:00-21:00

参加方法

Google Meet を使用します。参加登録いただくと URL が表示されます。また、当日は X (Twitter) のハッシュタグ #ricos_icml での投稿も歓迎します。

タイムテーブル

※それぞれの発表時間は、質疑応答の時間も含みます。

発表概要

CKGConv: General Graph Convolution with Continuous Kernels. Ma et al.

ノードとそれらをつなぐエッジで構成されるグラフ構造は高い表現能力を有しており、FEMやFVMなどの数値シミュレーションで取り扱うメッシュ構造もグラフ構造として扱うことができる。 Lihenng Maらは、グラフ構造上で畳み込みを行うための新しい方法（CKGConv）を提案し、Graph Transformerなど他のGNNと比較して高い性能を示すことを報告している。今回は、CKGConvの内容を他のモデルと比較しながら紹介する。

DySLIM: Dynamics Stable Learning by Invariant Measure for Chaotic Systems. Schiff et al.

力学系に対する従来のMLベースのアプローチは、平均二乗誤差を最小化することで短期的なダイナミクスを学習することに焦点を当てている。一方、カオス力学系は初期値に対してダイナミクスが大きく変わってしまうため、短期的な振る舞い以上に保存量やアトラクタといった長期的な振る舞いに焦点を当てる必要がある。今回は、短期的なダイナミクスと長期的な保存量を共に学習できるDySLIMという手法を紹介する。

Graph Neural PDE Solvers with Conservation and Similarity-Equivariance. Horie and Mitsume.

機械学習を使って物理現象を予測する研究は様々あるが、いまだに既存の物理シミュレーションと同等の汎用性を得るには至っていない。本研究では、物理現象の本質的な性質である保存性や対称性を厳密に満たす機械学習モデルを構成することで汎用性を高めることを目指したものである。数値実験では、学習データとは大幅に異なる形状についても精度が劣化することがなく、本手法の汎用性の高さが実証された。

RICOS について

RICOS は、機械学習の技術をもとに物理シミュレーションや、ひいてはものづくり全体を加速させるための関連技術の研究・開発・ソフトウェア提供を行っているスタートアップです。

注意事項

本イベントの内容は後日、YouTube やその他の媒体で紹介する可能性があります。その際、参加者名や質問内容なども紹介されることがありますのでご了承ください。本イベントの参加登録をもって、上記注意事項に同意いただいたこととします。