論文の概要: NeuralFluid: Neural Fluidic System Design and Control with Differentiable Simulation
- arxiv url: http://arxiv.org/abs/2405.14903v2
- Date: Thu, 31 Oct 2024 18:11:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-04 14:32:04.623723
- Title: NeuralFluid: Neural Fluidic System Design and Control with Differentiable Simulation
- Title（参考訳）: ニューラル流体: 微分可能なシミュレーションによるニューラル流体系の設計と制御
- Authors: Yifei Li, Yuchen Sun, Pingchuan Ma, Eftychios Sifakis, Tao Du, Bo Zhu, Wojciech Matusik,
- Abstract要約: 本稿では,動的固体境界を持つ複雑な流体系のニューラルコントロールと設計を探求する新しい枠組みを提案する。
本システムでは, 高速で微分可能なNavier-Stokesソルバと, ソリッド流体インタフェースのハンドリングを行う。
高忠実で高分解能な動的流体環境における設計・制御・学習タスクのベンチマークを示す。
- 参考スコア（独自算出の注目度）: 36.0759668955729
- License:
- Abstract: We present a novel framework to explore neural control and design of complex fluidic systems with dynamic solid boundaries. Our system features a fast differentiable Navier-Stokes solver with solid-fluid interface handling, a low-dimensional differentiable parametric geometry representation, a control-shape co-design algorithm, and gym-like simulation environments to facilitate various fluidic control design applications. Additionally, we present a benchmark of design, control, and learning tasks on high-fidelity, high-resolution dynamic fluid environments that pose challenges for existing differentiable fluid simulators. These tasks include designing the control of artificial hearts, identifying robotic end-effector shapes, and controlling a fluid gate. By seamlessly incorporating our differentiable fluid simulator into a learning framework, we demonstrate successful design, control, and learning results that surpass gradient-free solutions in these benchmark tasks.
- Abstract（参考訳）: 本稿では,動的固体境界を持つ複雑な流体系のニューラルコントロールと設計を探求する新しい枠組みを提案する。
本システムでは, 高速な微分可能なNavier-Stokes解法, 低次元の微分可能なパラメトリック幾何表現, 制御形状の共設計アルゴリズム, ジム風のシミュレーション環境を特徴とし, 様々な流体制御設計を容易化している。
さらに,高忠実で高分解能な流体環境における設計,制御,学習タスクのベンチマークを行い,既存の微分可能流体シミュレータの課題を提起する。
これらのタスクには、人工心臓の制御、ロボットのエンドエフェクター形状の識別、流体ゲートの制御が含まれる。
微分可能な流体シミュレータを学習フレームワークにシームレスに組み込むことで、これらのベンチマークタスクにおける勾配のない解を超える設計、制御、学習結果を成功させる。
関連論文リスト
- DualFluidNet: an Attention-based Dual-pipeline Network for FLuid Simulation [4.694954114339147]
本研究では,注意型デュアルパイプネットワークを用いた3次元流体シミュレーションの革新的手法を提案する。
グローバルな流体制御と物理法則のバランスを改善する方法を見つける。
また、より複雑なシーンを扱うネットワークの能力をさらに探求する新たなデータセットであるTurton3Dを提案する。
論文 参考訳（メタデータ） (2023-12-28T07:37:11Z) - SoftZoo: A Soft Robot Co-design Benchmark For Locomotion In Diverse
Environments [111.91255476270526]
我々は,多様な環境下での移動を支援するソフトロボットの共同設計プラットフォームであるSoftZooを紹介する。
SoftZooは、平らな地面、砂漠、湿地、粘土、氷、雪、浅い水、海などの環境をシミュレートする機能など、自然にヒントを得た幅広い素材セットをサポートしている。
それは、高速な移動、アジャイルな回転、パスフォローなど、ソフトロボティクスに関連するさまざまなタスクを提供し、形態学と制御のための微分可能な設計表現を提供する。
論文 参考訳（メタデータ） (2023-03-16T17:59:50Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - Control of Two-way Coupled Fluid Systems with Differentiable Solvers [22.435002906710803]
本研究では、複雑な非線形力学系を制御するためにディープニューラルネットワークを用いることを検討する。
ナヴィエ・ストークス方程式を2方向のカップリングで解き、非線形摂動を生じさせる。
提案手法を用いてトレーニングしたコントローラは,評価指標や一般化能力の点で,古典的,学習的な代替品よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:12:08Z) - Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。
筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
論文 参考訳（メタデータ） (2022-05-03T20:03:22Z) - Physical Design using Differentiable Learned Simulators [9.380022457753938]
逆設計では、学習したフォワードシミュレータは勾配に基づく設計最適化と組み合わせられる。
この枠組みは数百歩の軌跡を伝播することで高品質な設計を行う。
この結果から,機械学習をベースとしたシミュレータは,いくつかの課題があるにもかかわらず,汎用設計の最適化をサポートできる段階まで成熟していることが示唆された。
論文 参考訳（メタデータ） (2022-02-01T19:56:39Z) - gradSim: Differentiable simulation for system identification and
visuomotor control [66.37288629125996]
本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。
当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
論文 参考訳（メタデータ） (2021-04-06T16:32:01Z) - Deluca -- A Differentiable Control Library: Environments, Methods, and
Benchmarking [52.44199258132215]
我々は、微分可能な物理学とロボティクス環境のオープンソースライブラリを提示する。
ライブラリには,OpenAI Gymの古典的なコントロール設定など,いくつかのポピュラーな環境がある。
ライブラリを使用して得られた新しい科学的結果のいくつかのユースケースを提供します。
論文 参考訳（メタデータ） (2021-02-19T15:06:47Z)
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。