論文の概要: Accelerating Particle and Fluid Simulations with Differentiable Graph
Networks for Solving Forward and Inverse Problems
- arxiv url: http://arxiv.org/abs/2309.13348v1
- Date: Sat, 23 Sep 2023 11:52:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 20:33:50.016159
- Title: Accelerating Particle and Fluid Simulations with Differentiable Graph
Networks for Solving Forward and Inverse Problems
- Title（参考訳）: 微分可能なグラフネットワークを用いた粒子・流体シミュレーションによる前方・逆問題の解法
- Authors: Krishna Kumar and Yongjin Choi
- Abstract要約: 物理埋め込み型微分可能グラフネットワークシミュレータを用いて粒子シミュレーションと流体シミュレーションを解く。
GNSは、領域をグラフとして表現し、粒子をノードとして、相互作用をエッジとして学習する。
GNSは、並列CPUシミュレーションと比較して粒度予測の165倍の高速化を実現している。
- 参考スコア（独自算出の注目度）: 2.153852088624324
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We leverage physics-embedded differentiable graph network simulators (GNS) to
accelerate particulate and fluid simulations to solve forward and inverse
problems. GNS represents the domain as a graph with particles as nodes and
learned interactions as edges. Compared to modeling global dynamics, GNS
enables learning local interaction laws through edge messages, improving its
generalization to new environments. GNS achieves over 165x speedup for granular
flow prediction compared to parallel CPU numerical simulations. We propose a
novel hybrid GNS/Material Point Method (MPM) to accelerate forward simulations
by minimizing error on a pure surrogate model by interleaving MPM in GNS
rollouts to satisfy conservation laws and minimize errors achieving 24x speedup
compared to pure numerical simulations. The differentiable GNS enables solving
inverse problems through automatic differentiation, identifying material
parameters that result in target runout distances. We demonstrate the ability
of GNS to solve inverse problems by iteratively updating the friction angle (a
material property) by computing the gradient of a loss function based on the
final and target runouts, thereby identifying the friction angle that best
matches the observed runout. The physics-embedded and differentiable simulators
open an exciting new paradigm for AI-accelerated design, control, and
optimization.
- Abstract（参考訳）: 物理埋め込み型微分可能グラフネットワークシミュレータ(GNS)を用いて,粒子シミュレーションと流体シミュレーションを高速化し,前方および逆問題を解決する。
GNSは、領域をグラフとして表現し、粒子をノードとして、相互作用をエッジとして学習する。
グローバルダイナミクスのモデリングと比較して、GNSはエッジメッセージを通じて局所的な相互作用法則を学習し、新しい環境への一般化を改善する。
GNSは並列CPUシミュレーションと比較して粒度予測の165倍の高速化を実現している。
本研究では,ngsロールアウトにおけるmpmのインターリーブによる純粋サロゲートモデルの誤差を最小化し,保存則を満たし,24倍の高速化を達成する誤差を最小化する,新しいハイブリッドgsn/material point method(mpm)を提案する。
微分可能なGNSは、自動微分によって逆問題の解決を可能にし、ターゲットのランアウト距離をもたらす材料パラメータを識別する。
そこで本研究では,最終ランアウトと目標ランアウトに基づいて損失関数の勾配を計算することにより,摩擦角(材料特性)を反復的に更新することにより,逆問題を解くgnsの能力を示す。
物理学に埋め込まれた微分可能なシミュレーターは、AIが加速する設計、制御、最適化のためのエキサイティングな新しいパラダイムを開く。
関連論文リスト
- Inverse analysis of granular flows using differentiable graph neural network simulator [1.8231854497751137]
地すべりや土砂流などの粒状流の逆問題では, 物質パラメータや境界条件が推定される。
これらの逆問題に対する従来の高忠実性シミュレータは計算的に要求される。
グラフニューラルネットワークの逆モード自動微分と勾配に基づく最適化を組み合わせた新しい微分可能なグラフニューラルネットワークシミュレータ(GNS)を提案する。
論文 参考訳（メタデータ） (2024-01-17T22:21:07Z) - 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) - Graph Neural Network-based surrogate model for granular flows [2.153852088624324]
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。
論文 参考訳（メタデータ） (2023-05-09T07:28:12Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - 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) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T07:46:54Z) - Rotation Invariant Graph Neural Networks using Spin Convolutions [28.4962005849904]
機械学習アプローチは、密度汎関数理論(DFT)を計算的に効率的に近似する可能性がある。
グラフニューラルネットワークにおいて,隣り合う原子の集合間の角度情報をモデル化するための新しい手法を提案する。
結果は大規模なOpen Catalyst 2020データセットで実証されている。
論文 参考訳（メタデータ） (2021-06-17T14:59:34Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z) - 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。