Update index.md

index.md

@@ -26,6 +26,7 @@ DLAP世話人:　橋本幸士（京都大）、富谷昭夫（東京女子大）
 
 本セミナーシリーズは、科学研究費補助金学術変革領域研究(A)「[学習物理学の創成](https://mlphys.scphys.kyoto-u.ac.jp/)」の補助を受けております。
 
+* [第13回領域セミナ・第65回DLAP：　堀江 正信 氏 「局所保存性・相似変換対称性を満たす機械学習モデルによる数値流体力学」](#第13回学習物理領域セミナー第65回dlap) 12/19
 * [第12回領域セミナ・第64回DLAP：　今田 正俊 氏 「フェルミマシン」](#第12回学習物理領域セミナー第64回dlap) 11/28
 * [第11回領域セミナ・第63回DLAP：　竹内 駿 氏 「AI社会実装の最前線－宇宙物理との関連も交えて」](#第11回学習物理領域セミナー第63回dlap) 11/14
 * [第10回領域セミナ・第62回DLAP：　広野 雄士 氏 「経路積分を用いた拡散モデルの定式化」](#第10回学習物理領域セミナー第62回dlap) 10/24
@@ -44,6 +45,20 @@ DLAP世話人:　橋本幸士（京都大）、富谷昭夫（東京女子大）
 
 2022年以前の講演は[こちら](#過去の講演)
 
+# 第13回学習物理領域セミナー＋第65回DLAP
+日時：12月19日10:30~11:30(JST)<br>
+発表者：堀江 正信 氏 (株式会社ＲＩＣＯＳ)<br>
+場所（ハイブリッド）：上智大学四谷キャンパス 理工学部9号館 254A<br>
+発表題目：局所保存性・相似変換対称性を満たす機械学習モデルによる数値流体力学<br>
+概要：空間局所的な保存性や相似変換に対する対称性は、多くの物理現象にみられる基礎的な性質である。
+しかしながら、典型的な機械学習モデルはそのどちらも満たしておらず、そのことによりモデルの信頼性や汎用性が低下してしまい、予測結果の活用が難しいという課題があった。
+そこで本講演では、多様な空間構造を取り扱える機械学習モデルであるグラフニューラルネットワーク (GNN) が局所保存性を満たす必要十分条件を示した論文 [1] の内容をもとに、局所保存性・相似変換対称性を厳密に満たす機械学習モデルの構成方法について紹介する。
+具体的には、局所保存性を満たすことで知られる古典的な数値解析手法である有限体積法 (FVM) と GNN との類似性に着目することで、両者の長所を活かした数理モデルが構成できることをみる。
+複雑な流動・輸送現象を用いた数値実験において、本手法は高い精度と計算効率性を両立しているだけでなく高い時空間汎化性能を示すことが実証されており、こちらもあわせて紹介する。
+本研究に代表される数値解析手法と機械学習手法の融合手法は、データに対する適応能力と信頼性を兼ね備えた予測モデルを得るための有望な方法論として期待できるため、この講演が新たなパラダイム創出の一助となれば幸いである。<br>
+参考文献:<br>
+[1] M. Horie and N. Mitsume. Graph Neural PDE Solvers with Conservation and Similarity-Equivariance. In International Conference on Machine Learning (ICML), 2024.<br>
+
 # 第12回学習物理領域セミナー＋第64回DLAP
 日時：11月28日10:30~11:30(JST)<br>
 発表者：今田 正俊 氏 (上智大学/東京大学)<br>