Buchumschlag

Learning Permutation-invariant Macroscopic Dynamics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Han, Zhichao, Chen, Mengyi, Li, Qianxiao
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Macroscopic Dynamics from Partial Microscopic Observations
von: Chen, Mengyi, et al.
Veröffentlicht: (2024)

Scalable learning of macroscopic stochastic dynamics
von: Chen, Mengyi, et al.
Veröffentlicht: (2025)

DynGMA: a robust approach for learning stochastic differential equations from data
von: Zhu, Aiqing, et al.
Veröffentlicht: (2024)

Continuity-Preserving Convolutional Autoencoders for Learning Continuous Latent Dynamical Models from Images
von: Zhu, Aiqing, et al.
Veröffentlicht: (2025)

Learning task-specific predictive models for scientific computing
von: Yin, Jianyuan, et al.
Veröffentlicht: (2025)

StableSSM: Alleviating the Curse of Memory in State-space Models through Stable Reparameterization
von: Wang, Shida, et al.
Veröffentlicht: (2023)

Postprocessing of Ensemble Weather Forecasts Using Permutation-invariant Neural Networks
von: Höhlein, Kevin, et al.
Veröffentlicht: (2023)

From Generalization Analysis to Optimization Designs for State Space Models
von: Liu, Fusheng, et al.
Veröffentlicht: (2024)

Autocorrelation Matters: Understanding the Role of Initialization Schemes for State Space Models
von: Liu, Fusheng, et al.
Veröffentlicht: (2024)

Approximation Rate of the Transformer Architecture for Sequence Modeling
von: Jiang, Haotian, et al.
Veröffentlicht: (2023)

Generative Learning for Forecasting the Dynamics of Complex Systems
von: Gao, Han, et al.
Veröffentlicht: (2024)

Molecular Learning Dynamics
von: Gusev, Yaroslav, et al.
Veröffentlicht: (2025)

Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows
von: Gao, Han, et al.
Veröffentlicht: (2025)

Convergence of variational Monte Carlo simulation and scale-invariant pre-training
von: Abrahamsen, Nilin, et al.
Veröffentlicht: (2023)

PEARL: Towards Permutation-Resilient LLMs
von: Chen, Liang, et al.
Veröffentlicht: (2025)

Accelerating Legacy Numerical Solvers by Non-intrusive Gradient-based Meta-solving
von: Arisaka, Sohei, et al.
Veröffentlicht: (2024)

Unifying back-propagation and forward-forward algorithms through model predictive control
von: Ren, Lianhai, et al.
Veröffentlicht: (2024)

Differentiability in Unrolled Training of Neural Physics Simulators on Transient Dynamics
von: List, Bjoern, et al.
Veröffentlicht: (2024)

Projected Neural Differential Equations for Learning Constrained Dynamics
von: White, Alistair, et al.
Veröffentlicht: (2024)

Symmetry-invariant quantum machine learning force fields
von: Le, Isabel Nha Minh, et al.
Veröffentlicht: (2023)

Stabilized Neural Differential Equations for Learning Dynamics with Explicit Constraints
von: White, Alistair, et al.
Veröffentlicht: (2023)

Permutation-equivariant quantum convolutional neural networks
von: Das, Sreetama, et al.
Veröffentlicht: (2024)

Learnable Permutation for Structured Sparsity on Transformer Models
von: Li, Zekai, et al.
Veröffentlicht: (2026)

Noise-robust Contrastive Learning for Critical Transition Detection in Dynamical Systems
von: Fang, Wenqi, et al.
Veröffentlicht: (2025)

Self-consistent Validation for Machine Learning Electronic Structure
von: Hu, Gengyuan, et al.
Veröffentlicht: (2024)

CFDBench: A Large-Scale Benchmark for Machine Learning Methods in Fluid Dynamics
von: Luo, Yining, et al.
Veröffentlicht: (2023)

MDDM: A Molecular Dynamics Diffusion Model to Predict Particle Self-Assembly
von: Ferguson, Kevin, et al.
Veröffentlicht: (2025)

Operator Forces For Coarse-Grained Molecular Dynamics
von: Klein, Leon, et al.
Veröffentlicht: (2025)

Hessian Matching for Machine-Learned Coarse-Grained Molecular Dynamics
von: Murdeshwar, Sanya, et al.
Veröffentlicht: (2026)

Enhancing Dynamical System Modeling through Interpretable Machine Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition
von: Jacobsen, Christian, et al.
Veröffentlicht: (2024)

PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics
von: Franz, Aleksandra, et al.
Veröffentlicht: (2025)

Deciphering and integrating invariants for neural operator learning with various physical mechanisms
von: Zhang, Rui, et al.
Veröffentlicht: (2023)

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

Pseudo-Physics-Informed Neural Operators: Enhancing Operator Learning from Limited Data
von: Chen, Keyan, et al.
Veröffentlicht: (2025)

Enhanced Sampling for Efficient Learning of Coarse-Grained Machine Learning Potentials
von: Chen, Weilong, et al.
Veröffentlicht: (2025)

Theoretical Guarantees for Permutation-Equivariant Quantum Neural Networks
von: Schatzki, Louis, et al.
Veröffentlicht: (2022)

On Accelerating Diffusion-based Molecular Conformation Generation in SE(3)-invariant Space
von: Zhou, Zihan, et al.
Veröffentlicht: (2023)

Machine Learning Workflow for Analysis of High-Dimensional Order Parameter Space: A Case Study of Polymer Crystallization from Molecular Dynamics Simulations
von: Tourani, Elyar, et al.
Veröffentlicht: (2025)

A predictive machine learning force field framework for liquid electrolyte development
von: Gong, Sheng, et al.
Veröffentlicht: (2024)

Are Foundational Atomistic Models Reliable for Finite-Temperature Molecular Dynamics?
von: Li, Denan, et al.
Veröffentlicht: (2025)