論文の概要: Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics
- arxiv url: http://arxiv.org/abs/2210.06036v1
- Date: Wed, 12 Oct 2022 09:12:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 15:58:35.730895
- Title: Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics
- Title(参考訳): 粒子に基づく流体力学学習のためのモーメントの保証保存
- Authors: Lukas Prantl, Benjamin Ummenhofer, Vladlen Koltun, Nils Thuerey
- Abstract要約: 本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
- 参考スコア(独自算出の注目度): 96.9177297872723
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel method for guaranteeing linear momentum in learned physics
simulations. Unlike existing methods, we enforce conservation of momentum with
a hard constraint, which we realize via antisymmetrical continuous
convolutional layers. We combine these strict constraints with a hierarchical
network architecture, a carefully constructed resampling scheme, and a training
approach for temporal coherence. In combination, the proposed method allows us
to increase the physical accuracy of the learned simulator substantially. In
addition, the induced physical bias leads to significantly better
generalization performance and makes our method more reliable in unseen test
cases. We evaluate our method on a range of different, challenging fluid
scenarios. Among others, we demonstrate that our approach generalizes to new
scenarios with up to one million particles. Our results show that the proposed
algorithm can learn complex dynamics while outperforming existing approaches in
generalization and training performance. An implementation of our approach is
available at https://github.com/tum-pbs/DMCF.
- Abstract(参考訳): 学習物理シミュレーションにおいて線形運動量を保証する新しい手法を提案する。
既存の手法と異なり, 反対称連続畳み込み層によって実現される強い制約により運動量の保存を強制する。
これらの厳密な制約を階層的ネットワークアーキテクチャ、注意深く構築された再サンプリングスキーム、時間的コヒーレンスのためのトレーニングアプローチと組み合わせる。
提案手法を組み合わせることで,学習シミュレータの物理的精度を大幅に向上させることができる。
さらに, 引き起こされる物理的バイアスにより, 一般化性能が著しく向上し, 未確認のテストケースでは信頼性が向上する。
提案手法を,様々な,挑戦的な流体シナリオで評価する。
中でも,我々は,100万粒子までの新たなシナリオを一般化する手法を実証する。
提案手法は,従来の一般化とトレーニング性能を上回って複雑なダイナミクスを学習できることを示す。
このアプローチの実装はhttps://github.com/tum-pbs/dmcfで利用可能です。
関連論文リスト
- Neural-Kernel Conditional Mean Embeddings [26.862984140099837]
カーネル条件付き平均埋め込み(CME)は条件分布を表す強力なフレームワークを提供するが、スケーラビリティと課題に直面することが多い。
本稿では,これらの課題に対処するために,ディープラーニングとCMEの強みを効果的に組み合わせた新しい手法を提案する。
条件付き密度推定タスクでは、NN-CMEハイブリッドは競合性能を達成し、しばしば既存のディープラーニング手法を上回ります。
論文 参考訳(メタデータ) (2024-03-16T08:51:02Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-05T13:42:11Z) - Dynamical Isometry based Rigorous Fair Neural Architecture Search [2.7850218655824803]
動的アイソメトリに基づくニューラルアーキテクチャ探索アルゴリズムを提案する。
well-conditioned Jacobian を用いて全加群の一般化誤差を推定することにより、我々の加群選択戦略が厳密な公正であることを証明する。
論文 参考訳(メタデータ) (2023-07-05T13:01:21Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳(メタデータ) (2021-09-16T04:48:13Z) - Adaptive Learning Rate and Momentum for Training Deep Neural Networks [0.0]
本研究では,非線形共役勾配(CG)フレームワークによる高速トレーニング手法を開発した。
画像分類データセットの実験により,本手法は他の局所解法よりも高速な収束が得られることが示された。
論文 参考訳(メタデータ) (2021-06-22T05:06:56Z) - Training Generative Adversarial Networks by Solving Ordinary
Differential Equations [54.23691425062034]
GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。
この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。
本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
論文 参考訳(メタデータ) (2020-10-28T15:23:49Z) - Responsive Safety in Reinforcement Learning by PID Lagrangian Methods [74.49173841304474]
ラグランジアン法は振動とオーバーシュートを示し、安全強化学習に適用すると制約違反行動を引き起こす。
制約関数の微分を利用する新しいラグランジュ乗算器更新法を提案する。
我々はPIDラグランジアン法を深部RLに適用し、安全RLベンチマークであるSafety Gymにおける新しい技術状態を設定する。
論文 参考訳(メタデータ) (2020-07-08T08:43:14Z) - SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。
我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。
アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文 参考訳(メタデータ) (2020-06-12T10:40:46Z) - Accurately Solving Physical Systems with Graph Learning [22.100386288615006]
本稿では,グラフネットワークを持つ物理系に対する反復解法を高速化する新しい手法を提案する。
エンド・ツー・エンドで物理システムを学習することを目的とした既存の手法とは異なり、我々のアプローチは長期的な安定性を保証する。
本手法は,従来の反復解法の性能を向上させる。
論文 参考訳(メタデータ) (2020-06-06T15:48:34Z)
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。