論文の概要: Graph Neural Network-based surrogate model for granular flows

• arxiv url: http://arxiv.org/abs/2305.05218v1
• Date: Tue, 9 May 2023 07:28:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 19:51:41.182490
• Title: Graph Neural Network-based surrogate model for granular flows
• Title（参考訳）: グラフニューラルネットワークによる粒状流れのサーロゲートモデル
• Authors: Yongjin Choi, Krishna Kumar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.132096006921048
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate simulation of granular flow dynamics is crucial for assessing various geotechnical risks, including landslides and debris flows. Granular flows involve a dynamic rearrangement of particles exhibiting complex transitions from solid-like to fluid-like responses. Traditional continuum and discrete numerical methods are limited by their computational cost in simulating large-scale systems. Statistical or machine learning-based models offer an alternative. Still, they are largely empirical, based on a limited set of parameters. Due to their permutation-dependent learning, traditional machine learning-based models require huge training data to generalize. To resolve these problems, we use a graph neural network, a state-of-the-art machine learning architecture that learns local interactions. Graphs represent the state of dynamically changing granular flows and the interaction laws, such as energy and momentum exchange between grains. We develop a graph neural network-based simulator (GNS) that takes the current state of granular flow and predicts the next state using Euler explicit integration by learning the local interaction laws. We train GNS on different granular trajectories. We then assess the performance of GNS by predicting granular column collapse. GNS accurately predicts flow dynamics for column collapses with different aspect ratios unseen during training. GNS is hundreds of times faster than high-fidelity numerical simulators. The model also generalizes to domains much larger than the training data, handling more than twice the number of particles than it was trained on.
• Abstract（参考訳）: 粒状流の正確なシミュレーションは地すべりや土石流を含む様々な地質学的リスクを評価するのに不可欠である。 粒状流は、固体状から流体状への複雑な遷移を示す粒子の動的再配置を伴う。 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。 統計モデルや機械学習ベースのモデルは代替手段を提供する。 それでも、それらは主に経験的であり、限られたパラメータセットに基づいている。 順列依存学習のため、従来の機械学習ベースのモデルは一般化するために巨大なトレーニングデータを必要とする。 これらの問題を解決するために、局所的な相互作用を学習する最先端の機械学習アーキテクチャであるグラフニューラルネットワークを使用する。 グラフは粒度が動的に変化する状態と、粒子間のエネルギーや運動量交換のような相互作用則を表す。 局所的相互作用則を学習することにより,グラニュラーフローの現在の状態をとり,オイラー明示積分を用いて次の状態を予測でき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。 我々は異なる粒状軌道でGNSを訓練する。 次に粒界崩壊を予測することにより, GNSの性能を評価する。 GNSは、トレーニング中に見つからないアスペクト比が異なるカラム崩壊のフローダイナミクスを正確に予測する。 GNSは高忠実度数値シミュレータよりも数百倍高速である。 モデルはトレーニングデータよりもはるかに大きな領域に一般化し、トレーニングされた粒子の2倍以上の数を処理します。

関連論文リスト

• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• 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)
• GNS: A generalizable Graph Neural Network-based simulator for particulate and fluid modeling [2.132096006921048]
  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。
  論文  参考訳（メタデータ） (2022-11-18T13:28:03Z)
• 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)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Simulating Liquids with Graph Networks [25.013244956897832]
  流体力学を学習するためのグラフニューラルネットワーク(GNN)について検討する。 以上の結果から,GNNなどの学習モデルでは,学習セットが他の問題固有の相関関係を欠きない限り,基礎となる力学を正確に学習できないことが示唆された。
  論文  参考訳（メタデータ） (2022-03-14T15:39:27Z)
• Simulating Continuum Mechanics with Multi-Scale Graph Neural Networks [0.17205106391379021]
  非定常力学を学習するためのネットワークマルチスケールニューラルグラフモデルであるMultiScaleGNNを導入する。 提案モデルは,一様対流場から,テスト時間における複素領域上の高次場への一般化と,レイノルズ数の範囲内での長期ナビエ・ストークス解の推算を可能にする。
  論文  参考訳（メタデータ） (2021-06-09T08:37:38Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• 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。