論文の概要: Subspace Graph Physics: Real-Time Rigid Body-Driven Granular Flow Simulation

• arxiv url: http://arxiv.org/abs/2111.10206v1
• Date: Thu, 18 Nov 2021 13:37:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 05:28:33.961303
• Title: Subspace Graph Physics: Real-Time Rigid Body-Driven Granular Flow Simulation
• Title（参考訳）: サブスペースグラフ物理:実時間剛体駆動粒状流シミュレーション
• Authors: Amin Haeri and Krzysztof Skonieczny
• Abstract要約: 本研究は剛体駆動グラニュラーフローをモデル化するための機械学習手法を進歩させる。 特に,本研究では,サブスペース機械学習シミュレーション手法の開発について考察する。
• 参考スコア（独自算出の注目度）: 3.198144010381572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An important challenge in robotics is understanding the interactions between robots and deformable terrains that consist of granular material. Granular flows and their interactions with rigid bodies still pose several open questions. A promising direction for accurate, yet efficient, modeling is using continuum methods. Also, a new direction for real-time physics modeling is the use of deep learning. This research advances machine learning methods for modeling rigid body-driven granular flows, for application to terrestrial industrial machines as well as space robotics (where the effect of gravity is an important factor). In particular, this research considers the development of a subspace machine learning simulation approach. To generate training datasets, we utilize our high-fidelity continuum method, material point method (MPM). Principal component analysis (PCA) is used to reduce the dimensionality of data. We show that the first few principal components of our high-dimensional data keep almost the entire variance in data. A graph network simulator (GNS) is trained to learn the underlying subspace dynamics. The learned GNS is then able to predict particle positions and interaction forces with good accuracy. More importantly, PCA significantly enhances the time and memory efficiency of GNS in both training and rollout. This enables GNS to be trained using a single desktop GPU with moderate VRAM. This also makes the GNS real-time on large-scale 3D physics configurations (700x faster than our continuum method).
• Abstract（参考訳）: ロボット工学における重要な課題は、粒状材料からなる変形可能な地形とロボットの相互作用を理解することである。 粒状流と剛体との相互作用は、まだいくつかのオープンな疑問を引き起こす。 正確で効率的なモデリングのための有望な方向は連続体法である。 また、リアルタイム物理モデリングの新しい方向性は、ディープラーニングの利用である。 この研究は、剛体駆動の粒状流れをモデリングするための機械学習手法を進歩させ、地上産業機械や宇宙ロボット(重力の影響が重要な要素である)に適用する。 特に,本研究では,サブスペース機械学習シミュレーション手法の開発について考察する。 トレーニングデータセットを生成するために,高忠実度連続法,物質点法(MPM)を用いる。 主成分分析(PCA)はデータの次元性を低減するために用いられる。 高い次元データの最初の数つの主成分が、データ全体のばらつきをほとんど保持していることを示す。 グラフネットワークシミュレータ(GNS)は、基礎となる部分空間力学を学ぶために訓練される。 学習したGNSは、正しい精度で粒子の位置と相互作用力を予測することができる。 さらに、PCAはトレーニングとロールアウトの両方において、GNSの時間とメモリ効率を大幅に向上させる。 これにより、GNSは、適度なVRAMを持つ単一のデスクトップGPUを使用してトレーニングすることができる。 これにより、GNSを大規模3次元物理構成(連続体法よりも700倍高速)でリアルタイム化する。

関連論文リスト

• 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)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• 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)
• Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
  ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。 ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。 提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
  論文  参考訳（メタデータ） (2023-03-03T21:55:04Z)
• 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)
• PREPRINT: Comparison of deep learning and hand crafted features for mining simulation data [7.214140640112874]
  本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。 このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。 16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
  論文  参考訳（メタデータ） (2021-03-11T09:28:00Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Scalable Graph Networks for Particle Simulations [1.933681537640272]
  完全に接続された相互作用グラフを階層的なグラフに変換するアプローチを導入する。 このアプローチを用いることで、単一のGPU上でも、はるかに大きなパーティクル数でモデルをトレーニングすることが可能になります。 提案手法は, 大規模重力N体シミュレーションにおいても高い精度と効率を保っている。
  論文  参考訳（メタデータ） (2020-10-14T10:54:54Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)
• 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。