論文の概要: LatticeGraphNet: A two-scale graph neural operator for simulating lattice structures

• arxiv url: http://arxiv.org/abs/2402.01045v1
• Date: Thu, 1 Feb 2024 22:24:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 17:43:05.817219
• Title: LatticeGraphNet: A two-scale graph neural operator for simulating lattice structures
• Title（参考訳）: LatticeGraphNet:格子構造をシミュレーションする2スケールグラフニューラル演算子
• Authors: Ayush Jain, Ehsan Haghighat, Sai Nelaturi
• Abstract要約: LatticeGraphNet (LGN) は3次元格子構造体の有限要素シミュレーションのためのサロゲートモデルである。 LGN-iは格子の縮退力学を学習し、LGN-iiは縮退表現から四面体メッシュへの写像を学ぶ。 提案手法は, 格子や構造物の機械的応答を評価する上で, GNOを効率的な代理モデルとして用いることにより, シミュレーションの精度を維持しつつ, 推論時間を著しく短縮する。
• 参考スコア（独自算出の注目度）: 5.26552524335932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study introduces a two-scale Graph Neural Operator (GNO), namely, LatticeGraphNet (LGN), designed as a surrogate model for costly nonlinear finite-element simulations of three-dimensional latticed parts and structures. LGN has two networks: LGN-i, learning the reduced dynamics of lattices, and LGN-ii, learning the mapping from the reduced representation onto the tetrahedral mesh. LGN can predict deformation for arbitrary lattices, therefore the name operator. Our approach significantly reduces inference time while maintaining high accuracy for unseen simulations, establishing the use of GNOs as efficient surrogate models for evaluating mechanical responses of lattices and structures.
• Abstract（参考訳）: 本研究では,三次元格子部と構造物の高コスト非線形有限要素シミュレーションのためのサロゲートモデルとして設計された格子グラフネット (lgn) について述べる。 lgn-iは格子の縮小ダイナミクスを学習し、lgn-iiは縮小表現から四面体メッシュへのマッピングを学ぶ。 lgnは任意の格子の変形を予測できるため、名前演算子となる。 提案手法は,格子や構造物の機械的応答を評価する上で,GNOを効率的な代理モデルとして用いることにより,予測時間を大幅に短縮する。

関連論文リスト

• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Graph Neural Network for Stress Predictions in Stiffened Panels Under Uniform Loading [0.0]
  グラフニューラルネットワーク(Graph Neural Network, GNN)は、グラフとして表現可能なデータを処理するニューラルネットワークの一種である。 本研究では,3次元強化パネルの効率的な表現のための新しいグラフ埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2023-09-22T17:34:20Z)
• Torsion Graph Neural Networks [21.965704710488232]
  解析的トーション強化グラフニューラルネットワークモデルであるTorGNNを提案する。 われわれのTorGNNでは,各エッジに対して対応する局所単体複合体を同定し,解析トーションを算出する。 我々のTorGNNは両方のタスクにおいて優れた性能を達成でき、様々な最先端モデルより優れていることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T15:02:23Z)
• Clenshaw Graph Neural Networks [14.8308791628821]
  グラフ畳み込みネットワーク(GCN)は、グラフ表現を学習するための基礎的な方法である。 既存の残差接続技術は、基礎となるグラフ構造を広範囲に活用することができない。 本稿では,GCNモデルの表現性を高めるために,Clenshaw Summationアルゴリズムを用いたGNNモデルであるClenshawGCNを紹介する。
  論文  参考訳（メタデータ） (2022-10-29T06:32:39Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• E(n) Equivariant Graph Neural Networks [86.75170631724548]
  本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。 既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
  論文  参考訳（メタデータ） (2021-02-19T10:25:33Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。