論文の概要: Constraint-based graph network simulator

• arxiv url: http://arxiv.org/abs/2112.09161v1
• Date: Thu, 16 Dec 2021 19:15:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 05:53:11.058785
• Title: Constraint-based graph network simulator
• Title（参考訳）: 制約に基づくグラフネットワークシミュレータ
• Authors: Yulia Rubanova, Alvaro Sanchez-Gonzalez, Tobias Pfaff, Peter Battaglia
• Abstract要約: 制約に基づく学習シミュレーションのためのフレームワークを提案する。 本稿では,制約関数としてグラフニューラルネットワークを用い,勾配降下を制約解として実装する。 我々のモデルは、トップラーニングシミュレータよりも優れた、あるいは同等のパフォーマンスを達成します。
• 参考スコア（独自算出の注目度）: 9.462808515258464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the rapidly advancing area of learned physical simulators, nearly all methods train forward models that directly predict future states from input states. However, many traditional simulation engines use a constraint-based approach instead of direct prediction. Here we present a framework for constraint-based learned simulation, where a scalar constraint function is implemented as a neural network, and future predictions are computed as the solutions to optimization problems under these learned constraints. We implement our method using a graph neural network as the constraint function and gradient descent as the constraint solver. The architecture can be trained by standard backpropagation. We test the model on a variety of challenging physical domains, including simulated ropes, bouncing balls, colliding irregular shapes and splashing fluids. Our model achieves better or comparable performance to top learned simulators. A key advantage of our model is the ability to generalize to more solver iterations at test time to improve the simulation accuracy. We also show how hand-designed constraints can be added at test time to satisfy objectives which were not present in the training data, which is not possible with forward approaches. Our constraint-based framework is applicable to any setting where forward learned simulators are used, and demonstrates how learned simulators can leverage additional inductive biases as well as the techniques from the field of numerical methods.
• Abstract（参考訳）: 学習された物理シミュレータの急速に進歩する領域では、ほとんど全ての手法が入力状態から将来の状態を直接予測する前方モデルを訓練する。 しかし、多くの従来のシミュレーションエンジンは直接予測ではなく制約ベースのアプローチを用いる。 本稿では,ニューラルネットワークとしてスカラー制約関数を実装し,これらの制約下での最適化問題の解として今後の予測を計算した制約に基づく学習シミュレーションの枠組みを提案する。 本稿では,グラフニューラルネットワークを制約関数として,勾配降下を制約ソルバとして実装する。 アーキテクチャは標準的なバックプロパゲーションでトレーニングできる。 このモデルは,模擬ロープ,バウンディングボール,不規則形状の衝突,発散流体など,さまざまな挑戦的な物理的領域でテストする。 我々のモデルは、トップラーニングシミュレータよりも優れた、あるいは同等のパフォーマンスを達成する。 このモデルの主な利点は、テスト時により解くイテレーションに一般化し、シミュレーション精度を向上させる能力です。 また、事前のアプローチでは不可能であるトレーニングデータに存在しない目標を満たすために、テスト時に手作りの制約を追加する方法を示す。 我々の制約ベースのフレームワークは、フォワードラーニングシミュレータが使用される任意の環境に適用可能であり、学習シミュレータがさらに帰納バイアスを生かし、数値手法の分野からの手法を活用できることを示す。

関連論文リスト

• Flow Matching for Posterior Inference with Simulator Feedback [20.315933488318986]
  フローベース生成モデリングは、物理科学における逆問題を解決する強力なツールである。 そこで本研究では,シミュレータに基づく制御信号の追加によるフローの洗練を提案する。 シミュレータからのフィードバックを含むと精度が53%向上し,従来の手法と競合することを示す。
  論文  参考訳（メタデータ） (2024-10-29T22:26:39Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Learning Hybrid Dynamics Models With Simulator-Informed Latent States [7.801959219897031]
  そこで我々は,シミュレーションを用いて学習モデルの潜伏状態を通知するハイブリッドモデリング手法を提案する。 これにより、シミュレータを介して予測を制御することで、エラーの蓄積を防ぐことができる。 学習に基づく設定では、シミュレータを通して潜在状態を推測するダイナミクスとオブザーバを共同で学習する。
  論文  参考訳（メタデータ） (2023-09-06T09:57:58Z)
• Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction [1.1947990549568765]
  本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。 この研究は、低階積分子モデルのようなより単純なモデルは、正確な予測を達成するために、より複雑な、例えばキネマティックモデルよりも好まれることを示している。
  論文  参考訳（メタデータ） (2023-04-11T10:15:20Z)
• Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning [0.8250374560598492]
  軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
  論文  参考訳（メタデータ） (2023-01-11T18:17:10Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Simulating Liquids with Graph Networks [25.013244956897832]
  流体力学を学習するためのグラフニューラルネットワーク(GNN)について検討する。 以上の結果から,GNNなどの学習モデルでは,学習セットが他の問題固有の相関関係を欠きない限り,基礎となる力学を正確に学習できないことが示唆された。
  論文  参考訳（メタデータ） (2022-03-14T15:39:27Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)

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。