論文の概要: Fast Simulation of Particulate Suspensions Enabled by Graph Neural
Network
- arxiv url: http://arxiv.org/abs/2206.13905v1
- Date: Fri, 17 Jun 2022 14:05:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 01:15:21.558827
- Title: Fast Simulation of Particulate Suspensions Enabled by Graph Neural
Network
- Title（参考訳）: グラフニューラルネットワークによる微粒子懸濁液の高速シミュレーション
- Authors: Zhan Ma, Zisheng Ye, Wenxiao Pan
- Abstract要約: 我々は、ストークス懸濁液中の粒子の力学を推論し、予測するための新しい枠組み、流体力学的相互作用グラフニューラルネットワーク(HIGNN)を導入する。
これは計算効率、精度、および/または転送可能性における従来のアプローチの限界を克服する。
提案するHIGNNフレームワークの精度,効率,転送性について,多種多様なシステムで検証した。
- 参考スコア（独自算出の注目度）: 21.266813711114153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the dynamic behaviors of particles in suspension subject to
hydrodynamic interaction (HI) and external drive can be critical for many
applications. By harvesting advanced deep learning techniques, the present work
introduces a new framework, hydrodynamic interaction graph neural network
(HIGNN), for inferring and predicting the particles' dynamics in Stokes
suspensions. It overcomes the limitations of traditional approaches in
computational efficiency, accuracy, and/or transferability. In particular, by
uniting the data structure represented by a graph and the neural networks with
learnable parameters, the HIGNN constructs surrogate modeling for the mobility
tensor of particles which is the key to predicting the dynamics of particles
subject to HI and external forces. To account for the many-body nature of HI,
we generalize the state-of-the-art GNN by introducing higher-order connectivity
into the graph and the corresponding convolutional operation. For training the
HIGNN, we only need the data for a small number of particles in the domain of
interest, and hence the training cost can be maintained low. Once constructed,
the HIGNN permits fast predictions of the particles' velocities and is
transferable to suspensions of different numbers/concentrations of particles in
the same domain and to any external forcing. It has the ability to accurately
capture both the long-range HI and short-range lubrication effects. We
demonstrate the accuracy, efficiency, and transferability of the proposed HIGNN
framework in a variety of systems. The requirement on computing resource is
minimum: most simulations only require a desktop with one GPU; the simulations
for a large suspension of 100,000 particles call for up to 6 GPUs.
- Abstract（参考訳）: 流体力学的相互作用 (HI) と外部駆動による懸濁液中の粒子の動的挙動の予測は多くの応用において重要である。
本稿では,高度な深層学習手法を抽出し,ストークス懸濁液中の粒子の挙動を推算し,予測するための新しい枠組みであるhignn(hydrodynamic interaction graph neural network)を提案する。
これは計算効率、精度、および/または転送可能性における従来のアプローチの限界を克服する。
特に、グラフとニューラルネットワークで表現されるデータ構造を学習可能なパラメータで結合することにより、hignnは、hiおよび外部力に従属する粒子のダイナミクスを予測する鍵となる粒子の運動テンソルの代理モデルを構築する。
HIの多体性を考慮するため、グラフとそれに対応する畳み込み操作に高次接続を導入することにより、最先端のGNNを一般化する。
HIGNNのトレーニングには、関心領域の少数の粒子のデータのみが必要であるため、トレーニングコストを低く維持することができる。
一度構築されると、HIGNNは粒子の速度の高速な予測を許可し、同じ領域内の粒子の数や濃度の異なるサスペンションや外部の強制力に転送できる。
長距離hi効果と短距離潤滑効果の両方を正確に捉えることができる。
本稿では,提案するhignnフレームワークの各種システムにおける精度,効率,転送性を示す。
計算リソースの要件は最小限で、ほとんどのシミュレーションは1つのgpuを持つデスクトップのみを必要とする。
関連論文リスト
- Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。
シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。
本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
論文 参考訳（メタデータ） (2024-02-09T09:40:12Z) - 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) - 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) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - 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) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
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。
論文 参考訳（メタデータ） (2022-03-03T15:13:29Z) - Simulating Continuum Mechanics with Multi-Scale Graph Neural Networks [0.17205106391379021]
非定常力学を学習するためのネットワークマルチスケールニューラルグラフモデルであるMultiScaleGNNを導入する。
提案モデルは,一様対流場から,テスト時間における複素領域上の高次場への一般化と,レイノルズ数の範囲内での長期ナビエ・ストークス解の推算を可能にする。
論文 参考訳（メタデータ） (2021-06-09T08:37:38Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳（メタデータ） (2021-03-02T03:09:06Z) - 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) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - 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。