論文の概要: Transformer with Implicit Edges for Particle-based Physics Simulation
- arxiv url: http://arxiv.org/abs/2207.10860v1
- Date: Fri, 22 Jul 2022 03:45:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 13:43:21.518927
- Title: Transformer with Implicit Edges for Particle-based Physics Simulation
- Title（参考訳）: 入射エッジを有する変圧器による粒子シミュレーション
- Authors: Yidi Shao, Chen Change Loy, Bo Dai
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 135.77656965678196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle-based systems provide a flexible and unified way to simulate physics
systems with complex dynamics. Most existing data-driven simulators for
particle-based systems adopt graph neural networks (GNNs) as their network
backbones, as particles and their interactions can be naturally represented by
graph nodes and graph edges. However, while particle-based systems usually
contain hundreds even thousands of particles, the explicit modeling of particle
interactions as graph edges inevitably leads to a significant computational
overhead, due to the increased number of particle interactions. Consequently,
in this paper we propose a novel Transformer-based method, dubbed as
Transformer with Implicit Edges (TIE), to capture the rich semantics of
particle interactions in an edge-free manner. The core idea of TIE is to
decentralize the computation involving pair-wise particle interactions into
per-particle updates. This is achieved by adjusting the self-attention module
to resemble the update formula of graph edges in GNN. To improve the
generalization ability of TIE, we further amend TIE with learnable
material-specific abstract particles to disentangle global material-wise
semantics from local particle-wise semantics. We evaluate our model on diverse
domains of varying complexity and materials. Compared with existing GNN-based
methods, without bells and whistles, TIE achieves superior performance and
generalization across all these domains. Codes and models are available at
https://github.com/ftbabi/TIE_ECCV2022.git.
- Abstract（参考訳）: 粒子系システムは、複雑な力学で物理系をシミュレートする柔軟で統一的な方法を提供する。
既存のパーティクルベースシステムのデータ駆動シミュレータの多くは、グラフノードとグラフエッジによって自然に表現できるため、グラフニューラルネットワーク(GNN)をネットワークバックボーンとして採用している。
しかしながら、粒子系は通常数十万の粒子を含むが、グラフエッジとしての粒子相互作用の明示的なモデリングは必然的に、粒子相互作用の増加による計算オーバーヘッドを著しく高める。
そこで,本稿では,粒子間相互作用の豊富な意味をエッジフリーで捉えるトランストランス法を提案する。
TIEの中核となる考え方は、ペアワイズ粒子相互作用を含む計算を粒子ごとのアップデートに分散させることである。
これは、GNNのグラフエッジの更新公式に似た自己アテンションモジュールを調整することで実現される。
TIEの一般化能力を向上させるため、学習可能な物質特異的抽象粒子を用いてTIEを改良し、局所的な粒子的意味論からグローバルな物質的意味論を解き放つ。
様々な複雑さと素材の多様な領域におけるモデルを評価する。
既存のGNNベースの手法と比較して、ベルやホイッスルを使わずに、TIEはこれらの領域で優れた性能と一般化を実現している。
コードとモデルはhttps://github.com/ftbabi/tie_eccv2022.gitで入手できる。
関連論文リスト
- Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - 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) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for
Geometry-Agnostic System Identification [64.61198351207752]
ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。
本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。
マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
論文 参考訳（メタデータ） (2023-03-09T18:59:50Z) - GNS: A generalizable Graph Neural Network-based simulator for
particulate and fluid modeling [2.132096006921048]
我々はPyTorchベースのグラフネットワークシミュレータ(GNS)を開発し、物理を学習し、粒子および流体系の流動挙動を予測する。
GNSは、物質点の集合を表すノードと、粒子または粒子のクラスター間の局所的な相互作用を表すノードを繋ぐリンクでドメインを識別する。
論文 参考訳（メタデータ） (2022-11-18T13:28:03Z) - Fast Simulation of Particulate Suspensions Enabled by Graph Neural
Network [21.266813711114153]
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。
論文 参考訳（メタデータ） (2022-06-17T14:05:53Z) - Learning Physics-Consistent Particle Interactions [3.9686511558236055]
本稿では,グラフネットワークフレームワークを適応させるアルゴリズムを提案する。このアルゴリズムは,一対の相互作用を学習するためのエッジ部分と,粒子レベルでのダイナミクスをモデル化するためのノード部分を含む。
提案手法を複数のデータセット上で検証し、ペアの相互作用を正確に推定する際の性能がかなり向上することを示した。
論文 参考訳（メタデータ） (2022-02-01T09:59:53Z) - 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) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - 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。