論文の概要: Differentiable Implicit Soft-Body Physics

• arxiv url: http://arxiv.org/abs/2102.05791v1
• Date: Thu, 11 Feb 2021 01:06:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-12 17:47:29.039415
• Title: Differentiable Implicit Soft-Body Physics
• Title（参考訳）: 微分可能なインシシシタブル・ソフトボディ物理
• Authors: Junior Rojas, Eftychios Sifakis, Ladislav Kavan
• Abstract要約: 本稿では,ニューラルネットワークを微分可能な層として構成した,微分可能なソフトボディ物理シミュレータを提案する。 状態遷移を定義するために明示的なフォワードモデルを使用する他の微分可能な物理アプローチとは対照的に、関数の最小化によって定義される暗黙的な状態遷移に焦点を当てる。
• 参考スコア（独自算出の注目度）: 12.19631263169426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a differentiable soft-body physics simulator that can be composed with neural networks as a differentiable layer. In contrast to other differentiable physics approaches that use explicit forward models to define state transitions, we focus on implicit state transitions defined via function minimization. Implicit state transitions appear in implicit numerical integration methods, which offer the benefits of large time steps and excellent numerical stability, but require a special treatment to achieve differentiability due to the absence of an explicit differentiable forward pass. In contrast to other implicit differentiation approaches that require explicit formulas for the force function and the force Jacobian matrix, we present an energy-based approach that allows us to compute these derivatives automatically and in a matrix-free fashion via reverse-mode automatic differentiation. This allows for more flexibility and productivity when defining physical models and is particularly important in the context of neural network training, which often relies on reverse-mode automatic differentiation (backpropagation). We demonstrate the effectiveness of our differentiable simulator in policy optimization for locomotion tasks and show that it achieves better sample efficiency than model-free reinforcement learning.
• Abstract（参考訳）: 本稿では、ニューラルネットワークを微分可能な層として構成できる微分可能なソフトボディ物理シミュレータを提案する。 状態遷移を定義するために明示的な前方モデルを用いる他の微分可能な物理学のアプローチとは対照的に、関数最小化によって定義される暗黙の状態遷移にフォーカスする。 暗黙的な状態遷移は暗黙的な数値積分法に現れ、大きな時間ステップと優れた数値安定性を提供するが、明示的な微分可能なフォワードパスがないために微分可能性を達成するために特別な処理を必要とする。 力関数と力ヤコビ行列の明示的な公式を必要とする他の暗黙の微分アプローチとは対照的に、これらの微分を逆モードの自動微分によって自動的に行列のない方法で計算できるエネルギーベースのアプローチを提案する。 これにより、物理モデルを定義する際の柔軟性と生産性が向上し、しばしばリバースモードの自動微分(バックプロパゲーション)に依存するニューラルネットワークトレーニングの文脈において特に重要である。 移動課題に対するポリシー最適化における微分可能シミュレータの有効性を実証し,モデルフリーの強化学習よりも優れたサンプル効率を実現することを示す。

関連論文リスト

• Unsupervised Discovery of Inertial-Fusion Plasma Physics using Differentiable Kinetic Simulations and a Maximum Entropy Loss Function [77.34726150561087]
  プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。 我々はこの枠組みを慣性融合に関する構成に適用し、最適化プロセスが新しい物理効果を利用することを示す。
  論文  参考訳（メタデータ） (2022-06-03T15:27:33Z)
• Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
  我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。 筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
  論文  参考訳（メタデータ） (2022-05-03T20:03:22Z)
• Approximate Latent Force Model Inference [1.3927943269211591]
  潜在力モデルは、動的システムにおける推論のための純粋にデータ駆動ツールの解釈可能な代替手段を提供する。 ニューラルネットワークのアプローチは、モデルを数千のインスタンスにスケールし、高速で分散的な計算を可能にします。
  論文  参考訳（メタデータ） (2021-09-24T09:55:00Z)
• Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
  本稿では, 音素の効率的な微分可能シミュレーション法を提案する。 これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。 提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
  論文  参考訳（メタデータ） (2021-09-16T04:48:13Z)
• Nonsmooth Implicit Differentiation for Machine Learning and Optimization [0.0]
  ますます複雑化する学習アーキテクチャの訓練の観点から、演算計算を用いた非滑らかな暗黙関数定理を確立する。 この結果は、古典的可逆条件の非滑らかな形式が満たされることを前提として、最も実践的な問題(すなわち、定義可能な問題)に適用できる。 例えば、クラーク・ヤコビアンによる微分式を通常の微分公式で置き換えることは完全に正当化される。
  論文  参考訳（メタデータ） (2021-06-08T13:59:47Z)
• Efficient and Modular Implicit Differentiation [68.74748174316989]
  最適化問題の暗黙的な微分のための統一的で効率的かつモジュール化されたアプローチを提案する。 一見単純な原理は、最近提案された多くの暗黙の微分法を復元し、新しいものを簡単に作成できることを示している。
  論文  参考訳（メタデータ） (2021-05-31T17:45:58Z)
• 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)
• ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact [26.408218913234872]
  剛体および変形可能な物体に対する摩擦接触を処理できる微分可能な動的解法を提案する。 本手法は, 摩擦接触の非平滑な性質に起因した主な困難を回避できる。
  論文  参考訳（メタデータ） (2020-07-02T09:51:36Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。