論文の概要: Neural Implicit Surfaces for Efficient and Accurate Collisions in Physically Based Simulations

• arxiv url: http://arxiv.org/abs/2110.01614v1
• Date: Sun, 3 Oct 2021 09:43:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 14:01:12.653679
• Title: Neural Implicit Surfaces for Efficient and Accurate Collisions in Physically Based Simulations
• Title（参考訳）: 物理シミュレーションにおける高効率・高精度衝突のためのニューラルインプリシト表面
• Authors: Hugo Bertiche, Meysam Madadi and Sergio Escalera
• Abstract要約: 衝突検出と解法は物理シミュレーションにおいて重要なボトルネックとなる。 シミュレーションにおける衝突処理のための深層学習により学習した暗黙の曲面表現を提案する。 提案アーキテクチャは,O(n) あるいは O(1) の複雑な単一点クエリを持ち,並列化の問題はない。
• 参考スコア（独自算出の注目度）: 40.679520739784195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current trends in the computer graphics community propose leveraging the massive parallel computational power of GPUs to accelerate physically based simulations. Collision detection and solving is a fundamental part of this process. It is also the most significant bottleneck on physically based simulations and it easily becomes intractable as the number of vertices in the scene increases. Brute force approaches carry a quadratic growth in both computational time and memory footprint. While their parallelization is trivial in GPUs, their complexity discourages from using such approaches. Acceleration structures -- such as BVH -- are often applied to increase performance, achieving logarithmic computational times for individual point queries. Nonetheless, their memory footprint also grows rapidly and their parallelization in a GPU is problematic due to their branching nature. We propose using implicit surface representations learnt through deep learning for collision handling in physically based simulations. Our proposed architecture has a complexity of O(n) -- or O(1) for a single point query -- and has no parallelization issues. We will show how this permits accurate and efficient collision handling in physically based simulations, more specifically, for cloth. In our experiments, we query up to 1M points in 300 milliseconds.
• Abstract（参考訳）: コンピュータグラフィックスコミュニティの現在のトレンドは、物理ベースのシミュレーションを加速するためにGPUの膨大な並列計算パワーを活用することを提案する。 衝突検出と解決はこのプロセスの基本的な部分である。 また、物理的シミュレーションにおいて最も重要なボトルネックであり、シーン内の頂点数が増加すると容易に難解になる。 ブルートフォースアプローチは計算時間とメモリフットプリントの両方において二次的な成長をもたらす。 並列化はGPUでは簡単だが、その複雑さはそのようなアプローチの使用を妨げている。 BVHのような加速構造は、個々の点問合せに対して対数計算時間を達成するためにしばしば用いられる。 それにもかかわらず、メモリフットプリントも急速に増加し、GPUでの並列化は分岐の性質に問題がある。 本研究では,物理シミュレーションにおける衝突処理のための深層学習を通して学習した暗黙の表面表現を提案する。 提案アーキテクチャは,O(n) あるいは O(1) の複雑な単一点クエリを持ち,並列化の問題はない。 より具体的には、物理的シミュレーションにおいて、これがいかに正確で効率的な衝突処理を可能にするかを示す。 実験では、最大100万ポイントを300ミリ秒でクエリします。

関連論文リスト

• Realizing Quantum Kernel Models at Scale with Matrix Product State Simulation [0.0]
  マトリックス製品状態シミュレータを用いた量子カーネルフレームワークを開発した。 我々は165の特徴と6400のトレーニングデータポイントを持つ分類タスクを実行するためにそれを利用する。 特徴量やトレーニングデータの増加に伴い,量子カーネルモデルの性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-14T10:33:07Z)
• Efficient Quantum Circuit Simulation by Tensor Network Methods on Modern GPUs [11.87665112550076]
  量子ハードウェアでは、一次シミュレーション法は状態ベクトルとテンソルネットワークに基づいている。 量子ビットと量子ゲートの数が増加するにつれて、ヒルベルト空間の圧倒的な大きさと広範な絡み合いにより、従来の状態ベクトルベースの量子回路シミュレーション手法は不十分であることが証明される。 本研究では,計算効率と精度の2つの側面から最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-10-06T02:24:05Z)
• Efficient techniques to GPU Accelerations of Multi-Shot Quantum Computing Simulations [0.0]
  現在の量子コンピュータは、コンピュータリソース、ハードウェアの限界、不安定性、ノイズのために制限されている。 古典コンピュータにおける量子コンピューティングシミュレーションの性能の向上は、量子コンピュータとそのアルゴリズムの開発に寄与する。
  論文  参考訳（メタデータ） (2023-08-07T08:32:36Z)
• Local object crop collision network for efficient simulation of non-convex objects in GPU-based simulators [6.33790920152602]
  我々のゴールは、非ネットワークオブジェクトの大規模シミュレーションのための効率的な接触検出アルゴリズムを開発することである。 補足材料の品質と量にのみ依存するCDのためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2023-04-19T06:09:12Z)
• Simulation-Based Parallel Training [55.41644538483948]
  このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。 トレーニングプロセスと並行してデータを生成する。 このバイアスをメモリバッファで軽減する戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-08T09:31:25Z)
• Efficient GPU implementation of randomized SVD and its applications [17.71779625877989]
  行列分解は、次元データの圧縮やディープラーニングアルゴリズムなど、機械学習においてユビキタスである。 行列分解の典型的な解は、計算コストと時間を大幅に増大させる複雑さを持つ。 我々は,計算行列分解の計算負担を軽減するために,現代のグラフィカル処理ユニット(GPU)で並列に動作する効率的な処理操作を利用する。
  論文  参考訳（メタデータ） (2021-10-05T07:42:41Z)
• Providing Meaningful Data Summarizations Using Examplar-based Clustering in Industry 4.0 [67.80123919697971]
  我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。 提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2021-05-25T15:55:14Z)
• Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
  我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。 単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。 バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
  論文  参考訳（メタデータ） (2021-03-12T00:22:50Z)
• Accelerating Feedforward Computation via Parallel Nonlinear Equation Solving [106.63673243937492]
  ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。 本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。 提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
  論文  参考訳（メタデータ） (2020-02-10T10:11:31Z)
• Efficient classical simulation of random shallow 2D quantum circuits [104.50546079040298]
  ランダム量子回路は古典的にシミュレートするのは難しいと見なされる。 典型例の近似シミュレーションは, 正確なシミュレーションとほぼ同程度に困難であることを示す。 また、十分に浅いランダム回路はより一般的に効率的にシミュレーション可能であると推測する。
  論文  参考訳（メタデータ） (2019-12-31T19:00:00Z)

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。