論文の概要: Learning Rigid Body Dynamics with Lagrangian Graph Neural Network

• arxiv url: http://arxiv.org/abs/2209.11588v1
• Date: Fri, 23 Sep 2022 13:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 17:08:43.647032
• Title: Learning Rigid Body Dynamics with Lagrangian Graph Neural Network
• Title（参考訳）: ラグランジグラフニューラルネットワークによる剛体力学の学習
• Authors: Ravinder Bhattoo, Sayan Ranu, N. M. Anoop Krishnan
• Abstract要約: ラグランジアングラフニューラルネットワーク(LGNN)を提案し,そのトポロジを利用して剛体の力学を学習する。 本稿では,LGNNを用いて,緊張構造の安定性などの複雑な実世界の構造の力学をモデル化できることを示す。
• 参考スコア（独自算出の注目度）: 5.560715621814096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lagrangian and Hamiltonian neural networks (LNN and HNN respectively) encode strong inductive biases that allow them to outperform other models of physical systems significantly. However, these models have, thus far, mostly been limited to simple systems such as pendulums and springs or a single rigid body such as a gyroscope or a rigid rotor. Here, we present a Lagrangian graph neural network (LGNN) that can learn the dynamics of rigid bodies by exploiting their topology. We demonstrate the performance of LGNN by learning the dynamics of ropes, chains, and trusses with the bars modeled as rigid bodies. LGNN also exhibits generalizability -- LGNN trained on chains with a few segments exhibits generalizability to simulate a chain with large number of links and arbitrary link length. We also show that the LGNN can simulate unseen hybrid systems including bars and chains, on which they have not been trained on. Specifically, we show that the LGNN can be used to model the dynamics of complex real-world structures such as the stability of tensegrity structures. Finally, we discuss the non-diagonal nature of the mass matrix and it's ability to generalize in complex systems.
• Abstract（参考訳）: ラグランジアンニューラルネットワークとハミルトンニューラルネットワーク(LNNとHNN)は、強い帰納バイアスを符号化し、物理的システムの他のモデルを大幅に上回る。 しかし、これらのモデルは今のところほとんどが振り子やばねのような単純なシステムやジャイロスコープや剛体ローターのような単一の剛体に限られている。 本稿では、そのトポロジを利用して剛体の力学を学習できるラグランジアングラフニューラルネットワーク(LGNN)を提案する。 ロープ,チェーン,トラスの力学を剛体としてモデル化した棒を用いて学習し,lgnnの性能を示す。 lgnnはいくつかのセグメントでチェーンでトレーニングされたlgnnは、多数のリンクと任意のリンク長を持つチェーンをシミュレートする汎用性を示している。 また、LGNNは、訓練されていないバーやチェーンを含む、目に見えないハイブリッドシステムをシミュレートできることを示す。 特に,lgnnはテンセグリティ構造の安定性などの複雑な実世界の構造のダイナミクスのモデル化に利用できることを示した。 最後に、質量行列の非対角的性質と複素系において一般化する能力について論じる。

関連論文リスト

• ControlSynth Neural ODEs: Modeling Dynamical Systems with Guaranteed Convergence [1.1720409777196028]
  ニューラルネットワーク(NODE)は、時間間隔の制限なしにデータを処理できる連続時間ニューラルネットワーク(NN)である。 非常に非線形な性質にもかかわらず、収束はトラクタブル線型不等式によって保証されることを示す。 CSODEの合成において、異なるスケールで動的に同時に捕捉される可能性について学習するための余分な制御項を導入する。
  論文  参考訳（メタデータ） (2024-11-04T17:20:42Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• 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)
• Discovering Symbolic Laws Directly from Trajectories with Hamiltonian Graph Neural Networks [5.824034325431987]
  本稿では,その軌道から系の力学を直接学習するハミルトングラフニューラルネットワーク(HGNN)を提案する。 我々は,n-springs,n-pendulums,重力系,および2進レナード・ジョーンズ系におけるHGNNの性能を示す。
  論文  参考訳（メタデータ） (2023-07-11T14:43:25Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Unravelling the Performance of Physics-informed Graph Neural Networks for Dynamical Systems [5.787429262238507]
  グラフニューラルネットワーク(GNN)とその変種の性能を、明示的な制約と異なるアーキテクチャで評価する。 本研究は, 明示的制約や運動エネルギーとポテンシャルエネルギーの疎結合などの付加的な誘導バイアスを有するGNNが, 性能を著しく向上することを示した。 全ての物理インフォームドGNNは、訓練システムよりも桁違いの大きさのシステムサイズに対してゼロショットの一般化性を示し、大規模な現実的なシステムをシミュレートする有望な経路を提供する。
  論文  参考訳（メタデータ） (2022-11-10T12:29:30Z)
• Learning the Dynamics of Particle-based Systems with Lagrangian Graph Neural Networks [5.560715621814096]
  粒子系のラグランジアンを直接軌道から学習するために強い帰納バイアスを与える枠組み,すなわちラグランジアングラフニューラルネットワーク(LGnn)を提案する。 訓練されたシステムよりも2桁大きなシステムと、モデルに見つからないハイブリッドシステムのシミュレーションにより、システムのゼロショット一般化性を示す。
  論文  参考訳（メタデータ） (2022-09-03T18:38:17Z)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• Lagrangian Neural Network with Differential Symmetries and Relational Inductive Bias [5.017136256232997]
  システムのラグランジアンを学習するラグランジアンニューラルネットワーク(MCLNN)の運動量について述べる。 また、開発したモデルが任意の大きさのシステムに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T08:49:57Z)
• Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit Constraints [49.66841118264278]
  私たちは、現在のアプローチの限界を押し上げるために、一連の挑戦的なカオスと拡張ボディシステムを導入します。 実験の結果,明示的な制約を持つモンテカルロ座標は,精度とデータ効率を100倍に向上させることがわかった。
  論文  参考訳（メタデータ） (2020-10-26T13:35:16Z)
• Stability of Algebraic Neural Networks to Small Perturbations [179.55535781816343]
  Algebraic Neural Network (AlgNN) は、代数的信号モデルと関連する各層のカスケードで構成されている。 畳み込みという形式的な概念を用いるアーキテクチャは、シフト演算子の特定の選択を超えて、いかに安定であるかを示す。
  論文  参考訳（メタデータ） (2020-10-22T09:10:16Z)

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。