用于 3D 动力学建模的原则性高效 Transformer —— PAINET
机器学习
2026-05-12 v2 人工智能
摘要
3D 动力学建模是跨越多个科学和工程领域的基本问题，对对象轨迹预测和仿真具有重要实际意义。虽然最近的基于图神经网络的方法通过强制几何对称性、编码高阶特征或融合神经-ODE 机制等方式取得了显著性能，但这些方法通常依赖于明确观察到的结构，无法捕捉至关重要且不可观测的相互作用，这些相互作用对于复杂物理行为和动态机制至关重要。本文提出了 PAINET，这是一个原则性的 SE(3) 等变 transformer，用于学习多体系统中的全对互动。该模型包括：(1)源自能量函数最小化轨迹的新颖物理感知注意力网络，以及(2)保持等变性同时实现高效推断的并行解码器。在多样化的真实世界基准测试上（包括人类动作捕捉、分子动力学和大规模蛋白质仿真），实证结果表明，PAINET 持续优于最近提出的模型，在 3D 动力学预测中实现了 4.7%至 41.5% 的误差降低，同时在时间和内存方面的计算成本相当。我们的代码、基线模型和数据集已在 https://github.com/Icarus1411/PAINET 上提供。
引用
@article{arxiv.2510.04233,
title = {PAINET: A Principled Efficient Transformer for 3D Dynamics Modeling},
author = {Kai Yang and Yuqi Huang and Junheng Tao and Wanyu Wang and Qitian Wu},
journal= {arXiv preprint arXiv:2510.04233},
year = {2026}
}
备注
24 pages, published as a conference paper at ICLR 2026