論文の概要: Synthesizing realistic sand assemblies with denoising diffusion in
latent space
- arxiv url: http://arxiv.org/abs/2306.04411v1
- Date: Wed, 7 Jun 2023 13:10:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 14:20:01.954320
- Title: Synthesizing realistic sand assemblies with denoising diffusion in
latent space
- Title（参考訳）: 潜在空間における消音拡散を伴う現実的な砂集合体の合成
- Authors: Nikolaos N. Vlassis, WaiChing Sun, Khalid A. Alshibli, Richard A.
Regueiro
- Abstract要約: 本研究では,個々の砂粒の表面から収集した点雲の集合を用いて,潜時空間で粒子を生成するデノナイジング拡散アルゴリズムを提案する。
生成した試料の対数類似度を最大化する合成砂を生成するために, 生成脱雑音拡散確率モデルを訓練する。
サードパーティによる検証を確実にするため、F50サンドの5万個の合成砂粒と1,542個の実シンクロトロンマイクロ計算トモグラフィー(SMT)スキャンがオープンソースリポジトリで利用可能である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The shapes and morphological features of grains in sand assemblies have
far-reaching implications in many engineering applications, such as
geotechnical engineering, computer animations, petroleum engineering, and
concentrated solar power. Yet, our understanding of the influence of grain
geometries on macroscopic response is often only qualitative, due to the
limited availability of high-quality 3D grain geometry data. In this paper, we
introduce a denoising diffusion algorithm that uses a set of point clouds
collected from the surface of individual sand grains to generate grains in the
latent space. By employing a point cloud autoencoder, the three-dimensional
point cloud structures of sand grains are first encoded into a
lower-dimensional latent space. A generative denoising diffusion probabilistic
model is trained to produce synthetic sand that maximizes the log-likelihood of
the generated samples belonging to the original data distribution measured by a
Kullback-Leibler divergence. Numerical experiments suggest that the proposed
method is capable of generating realistic grains with morphology, shapes and
sizes consistent with the training data inferred from an F50 sand database . We
then use a rigid contact dynamic simulator to pour the synthetic sand in a
confined volume to form granular assemblies in a static equilibrium state with
targeted distribution properties. To ensure third-party validation, 50,000
synthetic sand grains and the 1,542 real synchrotron microcomputed tomography
(SMT) scans of the F50 sand, as well as the granular assemblies composed of
synthetic sand grains are made available in an open-source repository.
- Abstract（参考訳）: 砂の集合体の粒の形状と形態は、地球工学、コンピュータアニメーション、石油工学、集中太陽エネルギーなど、多くの工学的応用に広く影響している。
しかし、高品質な3次元粒度データしか得られないため、マクロな応答に対する粒度の影響に対する我々の理解は定性的であることが多い。
本稿では,個々の砂粒の表面から収集した点雲の集合を用いて,潜時空間で粒子を生成するデノナイズ拡散アルゴリズムを提案する。
点雲オートエンコーダを用いることで、砂粒の3次元点雲構造をまず低次元の潜在空間に符号化する。
Kullback-Leiblerの発散によって測定された原データ分布に属する生成試料の対数類似度を最大化する合成砂を生成するために、生成脱雑音拡散確率モデルを訓練する。
数値実験により,f50サンドデータベースから推定した訓練データと一致した形状,形状,大きさの現実的な粒を生成できることが示唆された。
次に, 剛体接触動的シミュレータを用いて, 拘束体積内に合成砂を流し込み, ターゲット分布特性を有する静的平衡状態における粒状集合体を形成する。
サードパーティによる検証を確実にするため、F50砂の5万個の合成砂粒と1,542個の実シンクロトロンマイクロ計算トモグラフィー(SMT)スキャン、および合成砂粒からなる粒状集合体をオープンソースリポジトリで利用できる。
関連論文リスト
- Generating multi-scale NMC particles with radial grain architectures using spatial stochastics and GANs [0.0]
電極性能と陰極粒子の形態の関係は 難しい。
現在では、代表性を達成するために、完全な粒度の細かい粒子を多数画像化することは不可能である。
2次元データから代表的3次元情報を生成する立体生成対向ネットワーク(GAN)に基づくモデルフィッティング手法を提案する。
一度校正すると、このマルチスケールモデルは、統計的に実験データに類似した仮想陰極粒子を迅速に生成することができる。
論文 参考訳（メタデータ） (2024-07-07T11:23:17Z) - Binary Opacity Grids: Capturing Fine Geometric Detail for Mesh-Based
View Synthesis [70.40950409274312]
我々は、細い構造を再構築する能力を損なうことなく、表面への収束を促すために密度場を変更する。
また, メッシュの単純化と外観モデルの適合により, 融合型メッシュ方式を開発した。
私たちのモデルで生成されたコンパクトメッシュは、モバイルデバイス上でリアルタイムでレンダリングできます。
論文 参考訳（メタデータ） (2024-02-19T18:59:41Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Adaptive Shells for Efficient Neural Radiance Field Rendering [92.18962730460842]
本稿では, 表面および表面のレンダリングを円滑に遷移させるニューラル放射率の定式化を提案する。
我々の手法は、非常に高い忠実度で効率的なレンダリングを可能にする。
また,抽出したエンベロープは,アニメーションやシミュレーションなどの下流アプリケーションを可能にすることを示す。
論文 参考訳（メタデータ） (2023-11-16T18:58:55Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Denoising Diffusion Probabilistic Models to Predict the Density of
Molecular Clouds [2.4628420705850638]
本稿では,巨大分子雲(GMC)の体積あるいは数密度を推定する手法として,DDPM(Denoising Diffusion Probabilistic Model)を提案する。
我々は大域磁場強度と大規模ダイナミクスの異なる磁気流体力学シミュレーションを採用する。
我々は、質量表面密度マップと対応する数密度マップの両方に異なる視角から拡散モデルを訓練する。
論文 参考訳（メタデータ） (2023-04-04T09:58:22Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - A Neural Network Subgrid Model of the Early Stages of Planet Formation [1.8641315013048296]
本研究では,高分解能数値シミュレーションから得られたデータに基づいて,高速かつ正確な集塵モデルを提案する。
提案モデルでは, 従来, 類似の計算効率を持つ他の粉塵凝集処方令では処理不可能であった粉塵凝固プロセスの詳細を把握した。
論文 参考訳（メタデータ） (2022-11-08T10:59:57Z) - Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning [6.91821181311687]
等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。
我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。
以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
論文 参考訳（メタデータ） (2022-10-05T15:46:28Z) - Use of Machine Learning for unraveling hidden correlations between
Particle Size Distributions and the Mechanical Behavior of Granular Materials [0.0]
データ駆動型フレームワークを用いて多分散粒子の高密度充填体のマクロ力学的挙動を予測した。
数百のDEMシミュレーションでトレーニングされた人工ニューラルネットワークスキームは、これらのPSDのモデルパラメータの値を予測することができた。
論文 参考訳（メタデータ） (2020-06-10T08:04:59Z) - Probing chiral edge dynamics and bulk topology of a synthetic Hall
system [52.77024349608834]
量子ホール系は、基礎となる量子状態の位相構造に根ざしたバルク特性であるホール伝導の量子化によって特徴づけられる。
ここでは, 超低温のジスプロシウム原子を用いた量子ホール系を, 空間次元の2次元形状で実現した。
磁気サブレベルが多数存在すると、バルクおよびエッジの挙動が異なることが示される。
論文 参考訳（メタデータ） (2020-01-06T16:59:08Z)
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。