論文の概要: ElastoGen: 4D Generative Elastodynamics
- arxiv url: http://arxiv.org/abs/2405.15056v2
- Date: Wed, 02 Oct 2024 01:49:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-03 15:17:40.242651
- Title: ElastoGen: 4D Generative Elastodynamics
- Title(参考訳): ElastoGen: 4次元生成エラストダイナミクス
- Authors: Yutao Feng, Yintong Shang, Xiang Feng, Lei Lan, Shandian Zhe, Tianjia Shao, Hongzhi Wu, Kun Zhou, Hao Su, Chenfanfu Jiang, Yin Yang,
- Abstract要約: ElastoGenは知識駆動型AIモデルで、物理的に正確な4Dエラストダイナミックスを生成する。
ElastoGenは実際の物理的手順と整合しているため、幅広い超弾性材料の正確な力学を効率的に生成する。
- 参考スコア(独自算出の注目度): 59.20029207991106
- License:
- Abstract: We present ElastoGen, a knowledge-driven AI model that generates physically accurate 4D elastodynamics. Unlike deep models that learn from video- or image-based observations, ElastoGen leverages the principles of physics and learns from established mathematical and optimization procedures. The core idea of ElastoGen is converting the differential equation, corresponding to the nonlinear force equilibrium, into a series of iterative local convolution-like operations, which naturally fit deep architectures. We carefully build our network module following this overarching design philosophy. ElastoGen is much more lightweight in terms of both training requirements and network scale than deep generative models. Because of its alignment with actual physical procedures, ElastoGen efficiently generates accurate dynamics for a wide range of hyperelastic materials and can be easily integrated with upstream and downstream deep modules to enable end-to-end 4D generation.
- Abstract(参考訳): 物理的に正確な4次元エラストダイナミックスを生成する知識駆動型AIモデルであるElastoGenを提案する。
ビデオや画像に基づく観察から学ぶディープモデルとは異なり、ElastoGenは物理の原理を活用し、確立された数学的および最適化手順から学ぶ。
ElastoGenの中核的な考え方は、非線形力平衡に対応する微分方程式を、自然に深いアーキテクチャに適合する一連の反復的な局所畳み込みのような演算に変換することである。
この包括的な設計思想に従って、ネットワークモジュールを慎重に構築します。
ElastoGenは、深層生成モデルよりも、トレーニング要件とネットワークスケールの両方の観点からはるかに軽量である。
ElastoGenは実際の物理手順と整合するため、幅広い超弾性材料の正確なダイナミクスを効率よく生成し、上流および下流の深層モジュールと容易に統合してエンドツーエンドの4D生成を可能にする。
関連論文リスト
- Flextron: Many-in-One Flexible Large Language Model [85.93260172698398]
我々は,フレキシブルモデル展開をサポートするネットワークアーキテクチャとポストトレーニングモデル最適化フレームワークであるFlextronを紹介する。
本稿では,既存の学習用LDMをFlextronモデルに変換するための,サンプル効率のよいトレーニング手法と関連するルーティングアルゴリズムを提案する。
我々は、複数のエンドツーエンドトレーニングされた変種や他の最先端の弾性ネットワークよりも優れた性能を示し、これらは全て、オリジナルの事前訓練と比較してわずか7.63%のトークンを消費する単一の事前訓練ランで実現している。
論文 参考訳(メタデータ) (2024-06-11T01:16:10Z) - Data-driven low-dimensional model of a sedimenting flexible fiber [0.0]
この研究は、機械学習を用いてフレキシブルファイバダイナミクスの高忠実度低次元モデルを作成するためのデータ駆動技術について述べる。
このアプローチは、オートエンコーダニューラルネットワークアーキテクチャを組み合わせて、フィラメント形状の低次元潜在表現を学習する。
我々のデータ駆動モデルでは、トレーニングされたエラスト重力数とトレーニングされていないエラスト重力数の両方で、繊維の進化を正確に予測できることが示される。
論文 参考訳(メタデータ) (2024-05-16T21:07:09Z) - PIE-NeRF: Physics-based Interactive Elastodynamics with NeRF [29.6350855891474]
物理シミュレーションをNeRFとシームレスに統合することで,現実世界の物体の高品質なエラストダイナミックスを生成できることを示す。
2次一般化移動最小二乗(Q-GMLS)を用いて、非線型力学と暗黙モデル上の大きな変形を捉える。
我々は、非線形シミュレーションの複雑さを著しく低減するために、最小二乗核をNeRF密度場に従って適応的に配置する。
論文 参考訳(メタデータ) (2023-11-22T01:58:26Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。
応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
論文 参考訳(メタデータ) (2022-05-04T13:54:54Z) - A physics-informed deep neural network for surrogate modeling in
classical elasto-plasticity [0.0]
本稿では,古典的弾塑性関係を効率的に近似するディープニューラルネットワークアーキテクチャを提案する。
このネットワークは、弾性および塑性部分へのひずみの付加的な分解を含む古典的エラスト塑性の重要な物理的な側面に富んでいる。
ニューラルネットワークのアーキテクチャにこれらの物理を組み込むことで、トレーニングデータの少ないネットワークのより効率的なトレーニングが可能になることを示す。
論文 参考訳(メタデータ) (2022-04-26T05:58:13Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Meta-learning using privileged information for dynamics [66.32254395574994]
Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。
シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
論文 参考訳(メタデータ) (2021-04-29T12:18:02Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Tensor network approaches for learning non-linear dynamical laws [0.0]
制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。
データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
論文 参考訳(メタデータ) (2020-02-27T19:02:40Z)
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。