論文の概要: Learning rigid dynamics with face interaction graph networks
- arxiv url: http://arxiv.org/abs/2212.03574v1
- Date: Wed, 7 Dec 2022 11:22:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 16:43:14.382213
- Title: Learning rigid dynamics with face interaction graph networks
- Title（参考訳）: 顔インタラクショングラフネットワークによる剛体力学の学習
- Authors: Kelsey R. Allen, Yulia Rubanova, Tatiana Lopez-Guevara, William
Whitney, Alvaro Sanchez-Gonzalez, Peter Battaglia, Tobias Pfaff
- Abstract要約: 我々は、ノードではなくメッシュフェイス間のインタラクションを演算するFace Interaction Graph Network (FIGNet)を紹介した。
FIGNetは複雑な形状の相互作用をシミュレートする上で約4倍正確であり、スパースで剛性のあるメッシュでは8倍計算効率が高い。
実世界のデータから直接摩擦力学を学習でき、微妙なトレーニングデータを与える解析的解法よりも正確である。
- 参考スコア（独自算出の注目度）: 11.029321427540829
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating rigid collisions among arbitrary shapes is notoriously difficult
due to complex geometry and the strong non-linearity of the interactions. While
graph neural network (GNN)-based models are effective at learning to simulate
complex physical dynamics, such as fluids, cloth and articulated bodies, they
have been less effective and efficient on rigid-body physics, except with very
simple shapes. Existing methods that model collisions through the meshes' nodes
are often inaccurate because they struggle when collisions occur on faces far
from nodes. Alternative approaches that represent the geometry densely with
many particles are prohibitively expensive for complex shapes. Here we
introduce the Face Interaction Graph Network (FIGNet) which extends beyond
GNN-based methods, and computes interactions between mesh faces, rather than
nodes. Compared to learned node- and particle-based methods, FIGNet is around
4x more accurate in simulating complex shape interactions, while also 8x more
computationally efficient on sparse, rigid meshes. Moreover, FIGNet can learn
frictional dynamics directly from real-world data, and can be more accurate
than analytical solvers given modest amounts of training data. FIGNet
represents a key step forward in one of the few remaining physical domains
which have seen little competition from learned simulators, and offers allied
fields such as robotics, graphics and mechanical design a new tool for
simulation and model-based planning.
- Abstract（参考訳）: 任意の形状の剛性衝突のシミュレーションは、複雑な幾何学と相互作用の強い非線形性のために、非常に難しい。
グラフニューラルネットワーク(gnn)ベースのモデルは、流体、布、関節体などの複雑な物理力学をシミュレートするのに有効であるが、非常に単純な形状を除いて、剛体物理学では効果が低く効率的である。
メッシュのノード間の衝突をモデル化する既存の方法は、ノードから遠く離れた面に衝突が発生した場合に苦労するため、しばしば不正確である。
幾何を多くの粒子で密に表現する別のアプローチは、複雑な形状に対して非常に高価である。
本稿では,gnnベースの手法を超えて拡張された顔インタラクショングラフネットワーク(fignet)を紹介し,ノードではなくメッシュ顔間のインタラクションを計算する。
学習したノードとパーティクルベースの手法と比較して、FIGNetは複雑な形状の相互作用をシミュレートする上で約4倍正確である。
さらに、fignetは現実世界のデータから直接摩擦ダイナミクスを学習することができ、少量のトレーニングデータから解析解法よりも正確である。
FIGNetは、学習したシミュレータとほとんど競合しない数少ない物理ドメインの1つであり、ロボット工学、グラフィックス、メカニカルデザインなどの関連分野をシミュレーションとモデルベースの計画のための新しいツールとして提供している。
関連論文リスト
- A Neural Material Point Method for Particle-based Simulations [5.4346288442609945]
本稿では,粒子シミュレーションのためのニューラルネットワークエミュレーションフレームワークNeuralMPMを提案する。
NeuralMPMは、ラグランジュ粒子を固定サイズグリッドに補間し、イメージ・ツー・イメージニューラルネットワークを使用してグリッドノードの更新を計算し、粒子に補間する。
流体力学や流体-固体相互作用など,いくつかのデータセット上でのNeuralMPMの利点を実証する。
論文 参考訳（メタデータ） (2024-08-28T12:39:51Z) - Physics-Encoded Graph Neural Networks for Deformation Prediction under
Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。
本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。
コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文 参考訳（メタデータ） (2024-02-05T19:21:52Z) - Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。
スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。
Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
論文 参考訳（メタデータ） (2024-02-04T06:37:38Z) - 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) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - 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) - Boundary Graph Neural Networks for 3D Simulations [6.041255257177852]
バウンダリグラフニューラルネットワーク(BGNN)は、ホッパー、回転ドラム、ミキサーの複雑な3次元粒状フロープロセスで試験される。
BGNNは、何十万ものシミュレーションタイムステップに対して、シミュレーションの不確実性の中で3Dグラニュラーフローを正確に再現することができる。
論文 参考訳（メタデータ） (2021-06-21T17:56:07Z) - Learning 3D Granular Flow Simulations [6.308272531414633]
離散要素法LIGGGHTSにより生成された複雑な3次元粒状流シミュレーションプロセスの正確なモデリングに向けたグラフニューラルネットワークアプローチを提案する。
本稿では,3次元物体,境界条件,粒子-粒子,粒子-境界相互作用を扱うグラフニューラルネットワークの実装方法について論じる。
論文 参考訳（メタデータ） (2021-05-04T17:27:59Z) - Learning Mesh-Based Simulation with Graph Networks [20.29893312074383]
グラフニューラルネットワークを用いたメッシュベースのシミュレーション学習フレームワークであるMeshGraphNetsを紹介する。
その結果, 空気力学, 構造力学, 布など, 幅広い物理系の力学を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2020-10-07T13:34:49Z) - 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。