論文の概要: Neural Physicist: Learning Physical Dynamics from Image Sequences
- arxiv url: http://arxiv.org/abs/2006.05044v1
- Date: Tue, 9 Jun 2020 04:36:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 13:15:24.611009
- Title: Neural Physicist: Learning Physical Dynamics from Image Sequences
- Title(参考訳): 神経物理学者:画像シーケンスから物理力学を学ぶ
- Authors: Baocheng Zhu, Shijun Wang and James Zhang
- Abstract要約: 深層ニューラルネットワークを用いて画像シーケンスから直接物理力学を学習するニューラルフィジスト(NeurPhy)という新しいアーキテクチャを提案する。
我々のモデルは、物理的に意味のある状態表現を抽出するだけでなく、見えない画像列の長期予測を可能にする状態遷移ダイナミクスを学習する。
- 参考スコア(独自算出の注目度): 0.6445605125467573
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a novel architecture named Neural Physicist (NeurPhy) to learn
physical dynamics directly from image sequences using deep neural networks. For
any physical system, given the global system parameters, the time evolution of
states is governed by the underlying physical laws. How to learn meaningful
system representations in an end-to-end way and estimate accurate state
transition dynamics facilitating long-term prediction have been long-standing
challenges. In this paper, by leveraging recent progresses in representation
learning and state space models (SSMs), we propose NeurPhy, which uses
variational auto-encoder (VAE) to extract underlying Markovian dynamic state at
each time step, neural process (NP) to extract the global system parameters,
and a non-linear non-recurrent stochastic state space model to learn the
physical dynamic transition. We apply NeurPhy to two physical experimental
environments, i.e., damped pendulum and planetary orbits motion, and achieve
promising results. Our model can not only extract the physically meaningful
state representations, but also learn the state transition dynamics enabling
long-term predictions for unseen image sequences. Furthermore, from the
manifold dimension of the latent state space, we can easily identify the degree
of freedom (DoF) of the underlying physical systems.
- Abstract(参考訳): 深層ニューラルネットワークを用いて画像シーケンスから直接物理力学を学習するニューラルフィジスト(NeurPhy)という新しいアーキテクチャを提案する。
大域的なシステムのパラメータを考えると、状態の時間進化は基礎となる物理法則によって制御される。
エンドツーエンドで有意義なシステム表現を学習し、長期的な予測を促進する正確な状態遷移ダイナミクスを推定する方法は、長年の課題でした。
本稿では,表現学習と状態空間モデル(ssms)の最近の進歩を活かし,変動オートエンコーダ(vae)を用いて各時間ステップにおけるマルコフの動的状態を抽出するニューラルプロセス(np)と,動的遷移を学習するための非線形非線形非線形確率的状態空間モデルを提案する。
ニューロフィを2つの物理的実験環境、すなわち減衰振子と惑星軌道運動に適用し、有望な結果を得る。
本モデルでは,物理的に有意な状態表現を抽出するだけでなく,画像シーケンスの長期予測を可能にする状態遷移ダイナミクスを学習する。
さらに、潜在状態空間の多様体次元から、基礎となる物理系の自由度(dof)を容易に識別することができる。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,ダイナミックスを直接トラジェクトリとしてモデル化する,斬新で原理的な手法である。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-04-27T17:42:24Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Decomposed Linear Dynamical Systems (dLDS) for learning the latent
components of neural dynamics [6.829711787905569]
本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。
我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。
連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
論文 参考訳(メタデータ) (2022-06-07T02:25:38Z) - Neural Implicit Representations for Physical Parameter Inference from a
Single Video [55.61164103824501]
本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。
提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。
ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
論文 参考訳(メタデータ) (2022-04-29T11:55:35Z) - Physics-guided Deep Markov Models for Learning Nonlinear Dynamical
Systems with Uncertainty [6.151348127802708]
我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。
提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
論文 参考訳(メタデータ) (2021-10-16T16:35:12Z) - ST-PCNN: Spatio-Temporal Physics-Coupled Neural Networks for Dynamics
Forecasting [15.265694039283106]
本稿では,システムの物理を規定するパラメータを学習する物理結合型ニューラルネットワークモデルを提案する。
3つの目標を達成するために,時空間物理結合ニューラルネットワーク(ST-PCNN)モデルを提案する。
ST-PCNNが既存の物理インフォームドモデルより優れていることを検証する。
論文 参考訳(メタデータ) (2021-08-12T19:34:00Z) - Physics-Incorporated Convolutional Recurrent Neural Networks for Source
Identification and Forecasting of Dynamical Systems [10.689157154434499]
本稿では,数値物理学に基づくモデルと深層学習を組み合わせたハイブリッドフレームワークを提案する。
我々は、我々のモデルであるPhICNetを、S時間進化を予測するためのエンドツーエンドのトレーニングが可能な畳み込みリカレントニューラルネットワーク(RNN)として定式化する。
実験結果から,提案モデルが比較的長期間にわたって力学を予測し,情報源も同定できることが示唆された。
論文 参考訳(メタデータ) (2020-04-14T00:27:18Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。