論文の概要: Learning Physical Constraints with Neural Projections
- arxiv url: http://arxiv.org/abs/2006.12745v2
- Date: Sat, 12 Dec 2020 23:08:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 21:40:49.615680
- Title: Learning Physical Constraints with Neural Projections
- Title（参考訳）: 神経投射による物理的制約の学習
- Authors: Shuqi Yang, Xingzhe He, Bo Zhu
- Abstract要約: そこで我々は,ニューラルネットワークの新たなファミリーを提案し,その基盤となる制約を学習することによって,物理系の振る舞いを予測する。
ニューラルネットワークのプロジェクション演算子は,組込み再帰アーキテクチャを備えた軽量ネットワークで構成されたアプローチの中心に位置する。
我々は,一貫した簡単な方法で,一組の物理的システムを学習することで,我々のアプローチの有効性を実証した。
- 参考スコア（独自算出の注目度）: 16.09436906471513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new family of neural networks to predict the behaviors of
physical systems by learning their underpinning constraints. A neural
projection operator lies at the heart of our approach, composed of a
lightweight network with an embedded recursive architecture that interactively
enforces learned underpinning constraints and predicts the various governed
behaviors of different physical systems. Our neural projection operator is
motivated by the position-based dynamics model that has been used widely in
game and visual effects industries to unify the various fast physics
simulators. Our method can automatically and effectively uncover a broad range
of constraints from observation point data, such as length, angle, bending,
collision, boundary effects, and their arbitrary combinations, without any
connectivity priors. We provide a multi-group point representation in
conjunction with a configurable network connection mechanism to incorporate
prior inputs for processing complex physical systems. We demonstrated the
efficacy of our approach by learning a set of challenging physical systems all
in a unified and simple fashion including: rigid bodies with complex
geometries, ropes with varying length and bending, articulated soft and rigid
bodies, and multi-object collisions with complex boundaries.
- Abstract（参考訳）: 本稿では,その基礎となる制約を学習することにより,物理システムの振る舞いを予測するニューラルネットワークの新たなファミリーを提案する。
ニューラルネットワークのプロジェクションオペレータは,学習基盤となる制約をインタラクティブに強制し,異なる物理システムのさまざまな統治行動を予測する,組み込み再帰的アーキテクチャを備えた軽量ネットワークで構成されています。
我々のニューラルプロジェクション演算子は、様々な高速物理シミュレータを統合するためにゲームや視覚効果産業で広く使われている位置ベース力学モデルによって動機付けられている。
提案手法は, 距離, 角度, 曲げ, 衝突, 境界効果, および任意の組み合わせなどの観測点データから, 接続を前提とせずに, 広範囲の制約を自動的かつ効果的に解明することができる。
複雑な物理システムを処理するための事前入力を組み込むために,構成可能なネットワーク接続機構とともに多群点表現を提供する。
提案手法は,複雑なジオメトリを持つ剛体,長さと曲げの異なるロープ,関節したソフトと剛体,複雑な境界を持つ多目的衝突など,統一的かつ単純な方法で,一連の挑戦的な物理システムを学習することによって,その効果を実証した。
関連論文リスト
- Physics meets Topology: Physics-informed topological neural networks for learning rigid body dynamics [6.675805308519987]
剛体力学と学習衝突相互作用をモデル化するための新しい枠組みを提案する。
そこで本研究では,物理法則を直接モデルに組み込む物理インフォームドメッセージパッシングニューラルアーキテクチャを提案する。
この研究は、様々な科学的・工学的な領域にまたがる応用において、マルチエンタリティ・ダイナミックな相互作用の課題に対処する。
論文 参考訳（メタデータ） (2024-11-18T11:03:15Z) - Spatial embedding promotes a specific form of modularity with low entropy and heterogeneous spectral dynamics [0.0]
空間的に埋め込まれたリカレントニューラルネットワークは、学習よりもネットワークの構造と機能を組み合わせた組織をどのように形成するかを研究するための有望な道を提供する。
我々は,これらの制約を,速度とスパイクニューラルネットワークの両面にわたって,ニューラルウェイトと固有スペクトルのエントロピー測定によって研究することが可能であることを示す。
この作業は、ニューラルネットワークにおける制約付き学習の理解を深め、コーディングスキームやタスクを越えて、同時に構造的および機能的目的に対するソリューションをタンデムで達成する必要がある。
論文 参考訳（メタデータ） (2024-09-26T10:00:05Z) - Physics-Encoded Graph Neural Networks for Deformation Prediction under
Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。
本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。
コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文 参考訳（メタデータ） (2024-02-05T19:21:52Z) - Neuromechanical Autoencoders: Learning to Couple Elastic and Neural
Network Nonlinearity [15.47367187516723]
私たちは機械学習のアナログを開発しようとしています。
メカニカルインテリジェンス
複素非線形弾性体のモルフォロジーとaを共に学習する。
ディープ・ニューラル・ネットワークで制御できます
論文 参考訳（メタデータ） (2023-01-31T19:04:28Z) - NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。
応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
論文 参考訳（メタデータ） (2022-05-04T13:54:54Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。
これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。
以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2021-02-22T17:33:51Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳（メタデータ） (2020-07-04T19:07:51Z) - 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) - Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。
本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文 参考訳（メタデータ） (2020-01-21T11:58:41Z)
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。