論文の概要: Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs
- arxiv url: http://arxiv.org/abs/2305.12334v2
- Date: Thu, 25 May 2023 03:28:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 10:55:28.808293
- Title: Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs
- Title（参考訳）: グラフニューラルネットワークによる複雑な物理系シミュレーションに向けて
- Authors: Guangsi Shi, Daokun Zhang, Ming Jin and Shirui Pan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 30.483488620084348
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The great learning ability of deep learning models facilitates us to
comprehend the real physical world, making learning to simulate complicated
particle systems a promising endeavour. However, the complex laws of the
physical world pose significant challenges to the learning based simulations,
such as the varying spatial dependencies between interacting particles and
varying temporal dependencies between particle system states in different time
stamps, which dominate particles' interacting behaviour and the physical
systems' evolution patterns. Existing learning based simulation methods fail to
fully account for the complexities, making them unable to yield satisfactory
simulations. To better comprehend the complex physical laws, this paper
proposes a novel learning based simulation model- Graph Networks with
Spatial-Temporal neural Ordinary Equations (GNSTODE)- that characterizes the
varying spatial and temporal dependencies in particle systems using a united
end-to-end framework. Through training with real-world particle-particle
interaction observations, GNSTODE is able to simulate any possible particle
systems with high precisions. We empirically evaluate GNSTODE's simulation
performance on two real-world particle systems, Gravity and Coulomb, with
varying levels of spatial and temporal dependencies. The results show that the
proposed GNSTODE yields significantly better simulations than state-of-the-art
learning based simulation methods, which proves that GNSTODE can serve as an
effective solution to particle simulations in real-world application.
- Abstract（参考訳）: 深層学習モデルの優れた学習能力により,実世界の理解が容易になり,複雑な粒子系をシミュレートすることが期待できる。
しかし、物理世界の複雑な法則は、相互作用する粒子間の空間依存性の変化や、粒子の相互作用行動や物理系の進化パターンを支配する異なるタイムスタンプにおける粒子系状態間の時間依存性など、学習に基づくシミュレーションに重大な課題をもたらす。
既存の学習に基づくシミュレーション手法では、複雑度を完全に説明できないため、十分なシミュレーションが得られない。
複雑な物理法則をよりよく理解するために,一貫したエンド・ツー・エンド・フレームワークを用いて粒子系の空間的・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GNSTODE(Spatial-Temporal Neural Ordinary Equations)を提案する。
GNSTODEは実世界の粒子-粒子相互作用観測のトレーニングを通じて、高い精度で任意の粒子系をシミュレートすることができる。
我々はGNSTODEの2つの実世界の粒子系(重力とクーロン)におけるシミュレーション性能を、空間的および時間的依存の異なるレベルで実験的に評価した。
その結果,提案したGNSTODEは最先端の学習ベースシミュレーション法よりもはるかに優れたシミュレーションが得られ,GNSTODEが実世界の粒子シミュレーションに有効であることを示す。
関連論文リスト
- Harnessing Simulation for Molecular Embeddings [54.93553949058172]
我々は物理に基づく分子シミュレーションを利用して分子埋め込みを開発する。
グラフニューラルネットワークをシミュレーションデータに適合させることで、シミュレーション中の生物学的ターゲットとの類似した相互作用を示す分子は、埋め込み空間において同様の表現を発達させる。
これらの埋め込みは、実世界のデータに基づいて訓練された下流モデルの特徴空間を初期化し、シミュレーション中に学んだ情報を分子予測タスクにエンコードするために使われる。
論文 参考訳（メタデータ） (2023-02-04T01:32:40Z) - Physical Systems Modeled Without Physical Laws [0.0]
ツリーベースの機械学習手法は、シミュレーションに関わる複雑なバックを「知る」ことなく、望ましい出力をエミュレートすることができる。
具体的には、2つのシミュレーション出力間の特定の時空間データの予測と、数値計算を繰り返す計算コストを伴わずに、物理予測の一般化に焦点をあてる。
論文 参考訳（メタデータ） (2022-07-26T20:51:20Z) - 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) - Simulate Time-integrated Coarse-grained Molecular Dynamics with
Geometric Machine Learning [3.029137825525148]
学習に基づく力場は、ab-initio MDシミュレーションの加速において大きな進歩を遂げてきたが、多くの現実世界のアプリケーションにはまだ不十分である。
我々は、グラフクラスタリングを使用して物理システムを粗粒化する、異なる機械学習アプローチを採用する。
新しいスコアベースのGNNリファインメントモジュールは、長期間のシミュレーション不安定性の長年の課題を解決する。
論文 参考訳（メタデータ） (2022-04-21T18:07:08Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳（メタデータ） (2022-03-29T16:24:52Z) - Accelerating Stochastic Simulation with Interactive Neural Processes [74.14000505345803]
対話型ニューラル・プロセス(INP)は、ディープラーニングモデルを学び、シミュレーションを加速する対話型フレームワークである。
我々はベイジアン能動学習アルゴリズムを設計し、シミュレータを反復的にクエリし、より多くのデータを収集し、モデルを継続的に改善する。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - 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) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳（メタデータ） (2020-11-14T02:03:08Z) - Scalable Graph Networks for Particle Simulations [1.933681537640272]
完全に接続された相互作用グラフを階層的なグラフに変換するアプローチを導入する。
このアプローチを用いることで、単一のGPU上でも、はるかに大きなパーティクル数でモデルをトレーニングすることが可能になります。
提案手法は, 大規模重力N体シミュレーションにおいても高い精度と効率を保っている。
論文 参考訳（メタデータ） (2020-10-14T10:54:54Z) - 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。