論文の概要: PhysGraph: Physics-Based Integration Using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2301.11841v2
- Date: Sun, 5 Nov 2023 00:00:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 01:01:35.912322
- Title: PhysGraph: Physics-Based Integration Using Graph Neural Networks
- Title（参考訳）: PhysGraph: グラフニューラルネットワークを用いた物理ベースの統合
- Authors: Oshri Halimi, Egor Larionov, Zohar Barzelay, Philipp Herholz, Tuur
Stuyck
- Abstract要約: 我々は,コンピュータゲーム,バーチャルリアリティ,バーチャルトライオンなど多くの応用がある粗い衣服形状の詳細な拡張に焦点を当てた。
我々の貢献は単純な観察に基づいており、従来のシミュレーション手法では計算コストが比較的安い。
このアイデアが、小さなメッシュパッチの基本的な内部力に基づいてトレーニング可能な、学習可能なモジュールにつながることを実証しています。
- 参考スコア（独自算出の注目度）: 9.016253794897874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-based simulation of mesh based domains remains a challenging task.
State-of-the-art techniques can produce realistic results but require expert
knowledge. A major bottleneck in many approaches is the step of integrating a
potential energy in order to compute velocities or displacements. Recently,
learning based method for physics-based simulation have sparked interest with
graph based approaches being a promising research direction. One of the
challenges for these methods is to generate models that are mesh independent
and generalize to different material properties. Moreover, the model should
also be able to react to unforeseen external forces like ubiquitous collisions.
Our contribution is based on a simple observation: evaluating forces is
computationally relatively cheap for traditional simulation methods and can be
computed in parallel in contrast to their integration. If we learn how a system
reacts to forces in general, irrespective of their origin, we can learn an
integrator that can predict state changes due to the total forces with high
generalization power. We effectively factor out the physical model behind
resulting forces by relying on an opaque force module. We demonstrate that this
idea leads to a learnable module that can be trained on basic internal forces
of small mesh patches and generalizes to different mesh typologies,
resolutions, material parameters and unseen forces like collisions at inference
time. Our proposed paradigm is general and can be used to model a variety of
physical phenomena. We focus our exposition on the detail enhancement of coarse
clothing geometry which has many applications including computer games, virtual
reality and virtual try-on.
- Abstract（参考訳）: メッシュベースのドメインの物理に基づくシミュレーションは依然として難しい課題である。
最先端の技術は現実的な結果を生み出すが、専門知識を必要とする。
多くのアプローチにおける大きなボトルネックは、速度や変位を計算するためにポテンシャルエネルギーを統合するステップである。
近年、物理学に基づくシミュレーションのための学習ベースの手法が、有望な研究方向であるグラフベースのアプローチへの関心を喚起している。
これらの手法の課題の1つは、メッシュに依存しないモデルを生成し、異なる材料特性に一般化することである。
さらにモデルでは、ユビキタス衝突のような予期せぬ外部力に反応することも可能だ。
我々の貢献は単純な観察に基づいている:力の評価は従来のシミュレーション手法では計算的に比較的安価であり、それらの積分とは対照的に並列に計算できる。
系が一般の力に対してどのように反応するかを、その起源に関係なく学習すれば、高一般化力の総力による状態変化を予測できる積分器を学習できる。
不透明な力モジュールを頼りにすることで、結果の力の背後にある物理モデルを効果的に分解する。
このアイデアは、小さなメッシュパッチの基本的な内部力に基づいてトレーニングし、異なるメッシュタイプ、解像度、材料パラメータ、および推論時の衝突のような目に見えない力に一般化できる学習可能なモジュールにつながることを実証する。
提案するパラダイムは一般的であり,様々な物理現象のモデル化に利用できる。
我々は,コンピュータゲーム,バーチャルリアリティ,仮想トライオンなど,多くの応用がある粗い衣服形状の詳細な拡張に着目する。
関連論文リスト
- Neural Force Field: Learning Generalized Physical Representation from a Few Examples [24.651024239605288]
大規模なトレーニングにもかかわらず、現在のAIモデルは、同様の一般化を達成するのに依然として苦労している。
ニューラル正規微分方程式(NODE)に基づくモデリングフレームワークであるニューラルフォース場(NFF)を提案する。
NFFは、重力、支持、衝突などの基本的な物理的概念を解釈可能な方法で捉えている。
論文 参考訳（メタデータ） (2025-02-13T05:50:13Z) - GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。
ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - PhysMotion: Physics-Grounded Dynamics From a Single Image [24.096925413047217]
本稿では、物理シミュレーションを利用した新しいフレームワークであるPhysMotionを紹介し、一つの画像と入力条件から生成された中間3次元表現をガイドする。
我々のアプローチは、従来のデータ駆動生成モデルの限界に対処し、より一貫した物理的に妥当な動きをもたらす。
論文 参考訳（メタデータ） (2024-11-26T07:59:11Z) - Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。
本手法は,物理モデルからの数学的演算子として物理ブロックを,フィードフォワード層を構成する学習ブロックと組み合わせる。
従来のニューラルネットワーク方式と比較して,本手法はデータ要求量を大幅に減らして一般化性を向上させる。
論文 参考訳（メタデータ） (2024-11-18T11:58:20Z) - A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。
このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
論文 参考訳（メタデータ） (2024-03-19T15:21:00Z) - Dynamic Visual Reasoning by Learning Differentiable Physics Models from
Video and Language [92.7638697243969]
視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。
これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
論文 参考訳（メタデータ） (2021-10-28T17:59:13Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳（メタデータ） (2021-03-02T03:09:06Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - 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) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳（メタデータ） (2020-07-04T19:07:51Z) - 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。