Buchumschlag

Discovering Symmetry Breaking in Physical Systems with Relaxed Group Convolution

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Rui, Hofgard, Elyssa, Gao, Han, Walters, Robin, Smidt, Tess E.
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Relaxed Equivariant Graph Neural Networks
von: Hofgard, Elyssa, et al.
Veröffentlicht: (2024)

To Augment or Not to Augment? Diagnosing Distributional Symmetry Breaking
von: Lawrence, Hannah, et al.
Veröffentlicht: (2025)

Equivariant Symmetry Breaking Sets
von: Xie, YuQing, et al.
Veröffentlicht: (2024)

A Tale of Two Symmetries: Exploring the Loss Landscape of Equivariant Models
von: Xie, YuQing, et al.
Veröffentlicht: (2025)

Implicit Augmentation from Distributional Symmetry in Turbulence Super-Resolution
von: Balla, Julia, et al.
Veröffentlicht: (2025)

Symmetry in Neural Network Parameter Spaces
von: Zhao, Bo, et al.
Veröffentlicht: (2025)

The Price of Freedom: Exploring Expressivity and Runtime Tradeoffs in Equivariant Tensor Products
von: Xie, YuQing, et al.
Veröffentlicht: (2025)

The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof
von: Lim, Derek, et al.
Veröffentlicht: (2024)

EquiformerV2: Improved Equivariant Transformer for Scaling to Higher-Degree Representations
von: Liao, Yi-Lun, et al.
Veröffentlicht: (2023)

LoopBench: Discovering Emergent Symmetry Breaking Strategies with LLM Swarms
von: Parsaee, Ali, et al.
Veröffentlicht: (2025)

Probing Equivariance and Symmetry Breaking in Convolutional Networks
von: Vadgama, Sharvaree, et al.
Veröffentlicht: (2025)

Discovering Symmetry Groups with Flow Matching
von: Chen, Yuxuan, et al.
Veröffentlicht: (2025)

Generalizing Denoising to Non-Equilibrium Structures Improves Equivariant Force Fields
von: Liao, Yi-Lun, et al.
Veröffentlicht: (2024)

Learning Efficiency Meets Symmetry Breaking
von: Bai, Yingbin, et al.
Veröffentlicht: (2025)

Symmetry-Breaking Augmentations for Ad Hoc Teamwork
von: Hammond, Ravi, et al.
Veröffentlicht: (2024)

Prime Convolutional Model: Breaking the Ground for Theoretical Explainability
von: Panelli, Francesco, et al.
Veröffentlicht: (2025)

EquiformerV3: Scaling Efficient, Expressive, and General SE(3)-Equivariant Graph Attention Transformers
von: Liao, Yi-Lun, et al.
Veröffentlicht: (2026)

Artificial Intelligence and Symmetries: Learning, Encoding, and Discovering Structure in Physical Data
von: Sanz, Veronica
Veröffentlicht: (2026)

Denoising Hamiltonian Network for Physical Reasoning
von: Deng, Congyue, et al.
Veröffentlicht: (2025)

Learning Adapter Rank via Symmetry Breaking
von: Doyle, Cooper, et al.
Veröffentlicht: (2025)

AI Epidemiology: achieving explainable AI through expert oversight patterns
von: Tempest-Walters, Kit
Veröffentlicht: (2025)

Discovering Hierarchy-Grounded Domains with Adaptive Granularity for Clinical Domain Generalization
von: Hu, Pengfei, et al.
Veröffentlicht: (2025)

Discovering Spoofing Attempts on Language Model Watermarks
von: Gloaguen, Thibaud, et al.
Veröffentlicht: (2024)

MatrixNet: Learning over symmetry groups using learned group representations
von: Laird, Lucas, et al.
Veröffentlicht: (2025)

PeSANet: Physics-encoded Spectral Attention Network for Simulating PDE-Governed Complex Systems
von: Wan, Han, et al.
Veröffentlicht: (2025)

Why Do Some Inputs Break Low-Bit LLM Quantization?
von: Chang, Ting-Yun, et al.
Veröffentlicht: (2025)

Discovering Operational Patterns Using Image-Based Convolutional Clustering and Composite Evaluation: A Case Study in Foundry Melting Processes
von: Ma, Zhipeng, et al.
Veröffentlicht: (2025)

ResMGCN: Residual Message Graph Convolution Network for Fast Biomedical Interactions Discovering
von: Yin, Zecheng
Veröffentlicht: (2023)

Symphony: Symmetry-Equivariant Point-Centered Spherical Harmonics for 3D Molecule Generation
von: Daigavane, Ameya, et al.
Veröffentlicht: (2023)

Group-Algebraic Tensors: Provably-optimal Equivariant Learning and Physical Symmetry Discovery
von: Hoyos, Paulina, et al.
Veröffentlicht: (2026)

Spec-VLA: Speculative Decoding for Vision-Language-Action Models with Relaxed Acceptance
von: Wang, Songsheng, et al.
Veröffentlicht: (2025)

Symmetry Breaking in Neural Network Optimization: Insights from Input Dimension Expansion
von: Zhang, Jun-Jie, et al.
Veröffentlicht: (2024)

Using Machine Learning to Discover Parsimonious and Physically-Interpretable Representations of Catchment-Scale Rainfall-Runoff Dynamics
von: Wang, Yuan-Heng, et al.
Veröffentlicht: (2024)

Reducing the Sensitivity of Neural Physics Simulators to Mesh Topology via Pretraining
von: Vaska, Nathan, et al.
Veröffentlicht: (2025)

Learning to Discover at Test Time
von: Yuksekgonul, Mert, et al.
Veröffentlicht: (2026)

Discovering Symbolic Differential Equations with Symmetry Invariants
von: Yang, Jianke, et al.
Veröffentlicht: (2025)

Discovering environments with XRM
von: Pezeshki, Mohammad, et al.
Veröffentlicht: (2023)

Relaxing Continuous Constraints of Equivariant Graph Neural Networks for Physical Dynamics Learning
von: Zheng, Zinan, et al.
Veröffentlicht: (2024)

On the Equivalence of Graph Convolution and Mixup
von: Han, Xiaotian, et al.
Veröffentlicht: (2023)

Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations
von: Baig, Mirza Samad Ahmed, et al.
Veröffentlicht: (2026)