論文の概要: GNS: A generalizable Graph Neural Network-based simulator for
particulate and fluid modeling
- arxiv url: http://arxiv.org/abs/2211.10228v1
- Date: Fri, 18 Nov 2022 13:28:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 15:26:46.375162
- Title: GNS: A generalizable Graph Neural Network-based simulator for
particulate and fluid modeling
- Title（参考訳）: GNS: 粒子・流体モデリングのための一般化可能なグラフニューラルネットワークベースシミュレータ
- Authors: Krishna Kumar, Joseph Vantassel
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.132096006921048
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a PyTorch-based Graph Network Simulator (GNS) that learns physics
and predicts the flow behavior of particulate and fluid systems. GNS
discretizes the domain with nodes representing a collection of material points
and the links connecting the nodes representing the local interaction between
particles or clusters of particles. The GNS learns the interaction laws through
message passing on the graph. GNS has three components: (a) Encoder, which
embeds particle information to a latent graph, the edges are learned functions;
(b) Processor, which allows data propagation and computes the nodal
interactions across steps; and (c) Decoder, which extracts the relevant
dynamics (e.g., particle acceleration) from the graph. We introduce
physics-inspired simple inductive biases, such as an inertial frame that allows
learning algorithms to prioritize one solution (constant gravitational
acceleration) over another, reducing learning time. The GNS implementation uses
semi-implicit Euler integration to update the next state based on the predicted
accelerations. GNS trained on trajectory data is generalizable to predict
particle kinematics in complex boundary conditions not seen during training.
The trained model accurately predicts within a 5\% error of its associated
material point method (MPM) simulation. The predictions are 5,000x faster than
traditional MPM simulations (2.5 hours for MPM simulations versus 20 s for GNS
simulation of granular flow). GNS surrogates are popular for solving
optimization, control, critical-region prediction for in situ viz, and
inverse-type problems. The GNS code is available under the open-source MIT
license at https://github.com/geoelements/gns.
- Abstract（参考訳）: 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。
GNSはグラフ上のメッセージパッシングを通じて相互作用法則を学習する。
GNSには3つのコンポーネントがある。
(a)粒子情報を潜在グラフに埋め込むエンコーダは、エッジは学習機能である。
b) ステップ間での結節間相互作用を計算し,データの伝搬を可能にする処理装置
(c)デコーダは、グラフから関連するダイナミクス(例えば粒子加速)を抽出する。
物理に着想を得た単純な帰納バイアス(慣性フレームなど)を導入し、学習アルゴリズムが別の解(定数重力加速度)を優先できるようにし、学習時間を短縮する。
GNSの実装は、予測された加速度に基づいて次の状態を更新するために半単純オイラー積分を使用する。
軌道データに基づいて訓練されたgsnは、訓練中に見えない複雑な境界条件における粒子運動量を予測するために一般化される。
訓練されたモデルは、関連する材料点法(mpm)シミュレーションの5\%の誤差内で正確に予測する。
予測は従来のPMシミュレーションより5,000倍速い(PMシミュレーションでは2.5時間、粒状流では20秒)。
GNSサロゲートは、最適化、制御、in situ vizの臨界領域予測、逆型問題などに人気がある。
GNSコードはオープンソースMITライセンスでhttps://github.com/geoelements/gnsで入手できる。
関連論文リスト
- Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。
不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。
グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文 参考訳（メタデータ） (2024-02-20T12:01:30Z) - 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) - Accelerating Particle and Fluid Simulations with Differentiable Graph
Networks for Solving Forward and Inverse Problems [2.153852088624324]
物理埋め込み型微分可能グラフネットワークシミュレータを用いて粒子シミュレーションと流体シミュレーションを解く。
GNSは、領域をグラフとして表現し、粒子をノードとして、相互作用をエッジとして学習する。
GNSは、並列CPUシミュレーションと比較して粒度予測の165倍の高速化を実現している。
論文 参考訳（メタデータ） (2023-09-23T11:52:43Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - 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) - 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) - 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) - Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based
Motion Prediction [92.16318571149553]
本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。
MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-08-25T14:05:37Z) - Dynamic Multiscale Graph Neural Networks for 3D Skeleton-Based Human
Motion Prediction [102.9787019197379]
本研究では3次元骨格に基づく人体動作を予測するために,新しい動的マルチスケールグラフニューラルネットワーク(DMGNN)を提案する。
モデルはアクションカテゴリに依存しないもので、エンコーダ/デコーダフレームワークに従う。
提案したDMGNNは,短期および長期の予測において最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-03-17T02:49:51Z) - 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。