論文の概要: NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields
- arxiv url: http://arxiv.org/abs/2203.01762v1
- Date: Thu, 3 Mar 2022 15:13:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 21:52:08.857003
- Title: NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields
- Title(参考訳): 粒子駆動型神経放射場を用いた流体動力学グラウンドニング
- Authors: Shanyan Guan, Huayu Deng, Yunbo Wang, Xiaokang Yang
- Abstract要約: 深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
- 参考スコア(独自算出の注目度): 65.07940731309856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has shown great potential for modeling the physical dynamics of
complex particle systems such as fluids (in Lagrangian descriptions). Existing
approaches, however, require the supervision of consecutive particle
properties, including positions and velocities. In this paper, we consider a
partially observable scenario known as fluid dynamics grounding, that is,
inferring the state transitions and interactions within the fluid particle
systems from sequential visual observations of the fluid surface. We propose a
differentiable two-stage network named NeuroFluid. Our approach consists of (i)
a particle-driven neural renderer, which involves fluid physical properties
into the volume rendering function, and (ii) a particle transition model
optimized to reduce the differences between the rendered and the observed
images. NeuroFluid provides the first solution to unsupervised learning of
particle-based fluid dynamics by training these two models jointly. It is shown
to reasonably estimate the underlying physics of fluids with different initial
shapes, viscosity, and densities. It is a potential alternative approach to
understanding complex fluid mechanics, such as turbulence, that are difficult
to model using traditional methods of mathematical physics.
- Abstract(参考訳): 深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している(ラグランジュ的記述)。
しかし、既存のアプローチでは、位置や速度を含む連続的な粒子特性の監督が必要である。
本稿では,流体表面の逐次的な視覚観測から流体粒子系の状態遷移と相互作用を推定する,流体力学グラウンドと呼ばれる部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
私たちのアプローチは
(i)体積レンダリング機能に流体物性を含む粒子駆動ニューラルレンダリング装置
(II) レンダリング画像と観察画像の差を低減するために最適化された粒子遷移モデル。
neurofluidは、粒子ベースの流体力学の教師なし学習に、これら2つのモデルを共同で訓練することで最初のソリューションを提供する。
初期形状,粘性,密度の異なる流体の物理を合理的に推定できることが示されている。
乱流のような複雑な流体力学を理解するための潜在的に代替的なアプローチであり、従来の数学的物理学の手法を用いてモデル化することは困難である。
関連論文リスト
- Variational Inference via Smoothed Particle Hydrodynamics [0.0]
滑らかな粒子流体力学に基づく新しい変分推論法を提案する。
高速で、柔軟で、スケーラブルで、決定論的なサンプリングと、確率モデルのクラスに対する推論を提供する。
論文 参考訳(メタデータ) (2024-07-12T11:38:41Z) - Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。
単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。
我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
論文 参考訳(メタデータ) (2024-06-18T16:37:44Z) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-08-25T07:15:58Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - Data-driven modeling of Landau damping by physics-informed neural
networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文 参考訳(メタデータ) (2022-11-02T10:33:38Z) - Physics-informed Reinforcement Learning for Perception and Reasoning
about Fluids [0.0]
本研究では,流体知覚と観測からの推論のための物理インフォームド強化学習戦略を提案する。
本研究では,コモディティカメラで自由表面を観察した未確認液体の追跡(知覚)と解析(推論)を行う手法を開発した。
論文 参考訳(メタデータ) (2022-03-11T07:01:23Z) - Learning deterministic hydrodynamic equations from stochastic active
particle dynamics [1.933681537640272]
本研究では, 自己推進粒子系で観測された密度レーンの流体力学モデル学習に本手法を適用した。
このことは、統計的学習理論と物理先行理論が組み合わさって、非平衡過程のマルチスケールモデルの発見を可能にすることを証明している。
論文 参考訳(メタデータ) (2022-01-21T10:19:36Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳(メタデータ) (2020-04-28T17:06:38Z) - 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。