Fugu-MT 論文翻訳(概要): Boundary Graph Neural Networks for 3D Simulations

論文の概要: Boundary Graph Neural Networks for 3D Simulations

arxiv url: http://arxiv.org/abs/2106.11299v1
Date: Mon, 21 Jun 2021 17:56:07 GMT
ステータス: 処理完了
システム内更新日: 2021-06-22 16:04:22.279607
Title: Boundary Graph Neural Networks for 3D Simulations
Title（参考訳）: 3次元シミュレーションのための境界グラフニューラルネットワーク
Authors: Andreas Mayr, Sebastian Lehner, Arno Mayrhofer, Christoph Kloss, Sepp Hochreiter, Johannes Brandstetter
Abstract要約: 境界条件に対処するためにグラフ構造を動的に修正する境界グラフニューラルネットワーク(BGNN)を導入する。 BGNNは、産業機械の標準部品であるホッパーと回転ドラムの複雑な3次元粒状流れ過程で試験される。
参考スコア（独自算出の注目度）: 6.308272531414633
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The abundance of data has given machine learning huge momentum in natural sciences and engineering. However, the modeling of simulated physical processes remains difficult. A key problem in doing so is the correct handling of geometric boundaries. While triangularized geometric boundaries are very common in engineering applications, they are notoriously difficult to model by machine learning approaches due to their heterogeneity with respect to size and orientation. In this work, we introduce Boundary Graph Neural Networks (BGNNs), which dynamically modify graph structures to address boundary conditions. Boundary graph structures are constructed via modifying edges, augmenting node features, and dynamically inserting virtual nodes. The new BGNNs are tested on complex 3D granular flow processes of hoppers and rotating drums which are standard parts of industrial machinery. Using precise simulations that are obtained by an expensive and complex discrete element method, BGNNs are evaluated in terms of computational efficiency as well as prediction accuracy of particle flows and mixing entropies. Even if complex boundaries are present, BGNNs are able to accurately reproduce 3D granular flows within simulation uncertainties over hundreds of thousands of simulation timesteps, and most notably particles completely stay within the geometric objects without using handcrafted conditions or restrictions.
Abstract（参考訳）: データの豊富さは、機械学習を自然科学と工学に大きな勢いを与えている。しかし,シミュレーションによる物理過程のモデル化はいまだに困難である。そのための鍵となる問題は、幾何学的境界の正しい取り扱いである。三角形化された幾何学的境界は工学的応用において非常に一般的であるが、サイズや向きに関する不均一性のため、機械学習のアプローチによってモデル化することは極めて困難である。本研究では,境界条件に対処するグラフ構造を動的に修正する境界グラフニューラルネットワーク(BGNN)を提案する。境界グラフ構造はエッジの変更、ノード機能の拡張、仮想ノードの動的挿入によって構築される。新しいBGNNは、産業機械の標準部品であるホッパーと回転ドラムの複雑な3次元粒状フロープロセスで試験される。高価で複雑な離散要素法により得られた正確なシミュレーションを用いて,BGNNを計算効率,粒子流の予測精度,混合エントロピーの観点から評価した。複雑な境界が存在する場合でも、bgnnは数十万のシミュレーション時間ステップにわたってシミュレーションの不確かさの中で正確に3dの粒状流れを再現することができ、最も顕著なのは、手作りの条件や制約を使わずに、幾何学的対象に完全に留まります。

関連論文リスト

Three-dimensional granular flow simulation using graph neural network-based learned simulator [2.153852088624324]
グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。 GNSの速度は300倍の高忠実度数値シミュレータを上回る。
論文参考訳（メタデータ） (2023-11-13T15:54:09Z)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文参考訳（メタデータ） (2023-08-24T17:59:54Z)
Graph Neural Network-based surrogate model for granular flows [2.153852088624324]
粒状流速は地すべりや土砂流など,様々な技術的リスクを評価する上で重要である。従来の連続法と離散法は、大規模システムのシミュレーションにおける計算コストによって制限される。本研究では,局所的な相互作用法則を学習することにより,粒状流の現在の状態と次の状態を予測するグラフニューラルネットワークベースシミュレータ(GNS)を開発した。
論文参考訳（メタデータ） (2023-05-09T07:28:12Z)
Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation [0.0]
我々は、SEM3Dという高忠実度シミュレーションコードを用いて、3万の異なる地質が生成する地動の広範なデータベースを構築している。フーリエ・ニューラル・オペレーターは,基礎となる地質が大きな不均一性を示す場合でも,正確な接地運動を実現できることを示す。データベースの一般化により,地質学的特徴が地盤運動に与える影響を評価するために,我々のモデルが利用できると信じている。
論文参考訳（メタデータ） (2023-04-20T12:01:58Z)
Learning rigid dynamics with face interaction graph networks [11.029321427540829]
我々は、ノードではなくメッシュフェイス間のインタラクションを演算するFace Interaction Graph Network (FIGNet)を紹介した。 FIGNetは複雑な形状の相互作用をシミュレートする上で約4倍正確であり、スパースで剛性のあるメッシュでは8倍計算効率が高い。実世界のデータから直接摩擦力学を学習でき、微妙なトレーニングデータを与える解析的解法よりも正確である。
論文参考訳（メタデータ） (2022-12-07T11:22:42Z)
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)
Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文参考訳（メタデータ） (2022-07-22T03:45:29Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)
Learning 3D Granular Flow Simulations [6.308272531414633]
離散要素法LIGGGHTSにより生成された複雑な3次元粒状流シミュレーションプロセスの正確なモデリングに向けたグラフニューラルネットワークアプローチを提案する。本稿では,3次元物体,境界条件,粒子-粒子,粒子-境界相互作用を扱うグラフニューラルネットワークの実装方法について論じる。
論文参考訳（メタデータ） (2021-05-04T17:27:59Z)
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。