論文の概要: Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs
- arxiv url: http://arxiv.org/abs/2407.03925v1
- Date: Thu, 4 Jul 2024 13:37:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 17:53:13.167274
- Title: Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs
- Title（参考訳）: 減階ニューラル演算子:高スパースグラフ上でのラグランジアンダイナミクスの学習
- Authors: Hrishikesh Viswanath, Yue Chang, Julius Berner, Peter Yichen Chen, Aniket Bera,
- Abstract要約: 流体流動, 粒状流, 弾塑性などのラグランジアン力学をシミュレートするニューラル演算子アーキテクチャを提案する。
我々のモデルであるGIOROMは、時間的ダイナミクスを低次設定で学習し、高度にスパースなグラフ表現から空間的特徴をキャプチャする。
10万点の点雲は、$sim$1000のスパースグラフから推測でき、時間的変化は無視できる。
- 参考スコア（独自算出の注目度）: 20.271792055491662
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a neural operator architecture to simulate Lagrangian dynamics, such as fluid flow, granular flows, and elastoplasticity. Traditional numerical methods, such as the finite element method (FEM), suffer from long run times and large memory consumption. On the other hand, approaches based on graph neural networks are faster but still suffer from long computation times on dense graphs, which are often required for high-fidelity simulations. Our model, GIOROM or Graph Interaction Operator for Reduced-Order Modeling, learns temporal dynamics within a reduced-order setting, capturing spatial features from a highly sparse graph representation of the input and generalizing to arbitrary spatial locations during inference. The model is geometry-aware and discretization-agnostic and can generalize to different initial conditions, velocities, and geometries after training. We show that point clouds of the order of 100,000 points can be inferred from sparse graphs with $\sim$1000 points, with negligible change in computation time. We empirically evaluate our model on elastic solids, Newtonian fluids, Non-Newtonian fluids, Drucker-Prager granular flows, and von Mises elastoplasticity. On these benchmarks, our approach results in a 25$\times$ speedup compared to other neural network-based physics simulators while delivering high-fidelity predictions of complex physical systems and showing better performance on most benchmarks. The code and the demos are provided at https://github.com/HrishikeshVish/GIOROM.
- Abstract（参考訳）: 流体流動, 粒状流, 弾塑性などのラグランジアン力学をシミュレートするニューラル演算子アーキテクチャを提案する。
有限要素法(FEM)のような従来の数値法は、長い実行時間と大きなメモリ消費に悩まされている。
一方、グラフニューラルネットワークに基づくアプローチは高速であるが、高忠実度シミュレーションにしばしば必要とされる高密度グラフ上での長い計算時間に悩まされている。
我々のモデルであるGIOROM(Graph Interaction Operator for Reduced-Order Modeling)は、低次設定で時間的ダイナミクスを学習し、入力の疎グラフ表現から空間的特徴を抽出し、推論中に任意の空間的位置へ一般化する。
このモデルは幾何学的認識と離散化とは無関係であり、訓練後に異なる初期条件、速度、幾何学に一般化することができる。
10万点の点雲は$\sim$1000のスパースグラフから推定でき、計算時間は無視できる。
我々は, 弾性固体, ニュートン流体, 非ニュートン流体, ドラッカー・プラガー粒状流, およびフォン・ミセスエラスト塑性に関する実験的検討を行った。
これらのベンチマークでは、他のニューラルネットワークベースの物理シミュレータと比較して25$\times$のスピードアップを実現し、複雑な物理システムの高忠実度予測を実現し、ほとんどのベンチマークでパフォーマンスが向上した。
コードとデモはhttps://github.com/HrishikeshVish/GIOROMで公開されている。
関連論文リスト
- Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。
本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
論文 参考訳（メタデータ） (2025-02-11T22:14:30Z) - Equation-informed data-driven identification of flow budgets and dynamics [0.0]
本稿では,フロークラスタリングのための新しいハイブリッド手法を提案する。
それは、方程式に基づく特徴を持つシステムの各サンプルポイントを特徴づけることから成り立っている。
このアルゴリズムは、EulerianフレームワークとLagrangianフレームワークの両方で実装されている。
論文 参考訳（メタデータ） (2024-11-14T15:59:41Z) - From Fourier to Neural ODEs: Flow Matching for Modeling Complex Systems [20.006163951844357]
ニューラル常微分方程式(NODE)を学習するためのシミュレーション不要なフレームワークを提案する。
フーリエ解析を用いて、ノイズの多い観測データから時間的および潜在的高次空間勾配を推定する。
我々の手法は、トレーニング時間、ダイナミクス予測、堅牢性の観点から、最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2024-05-19T13:15:23Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Tensor network reduced order models for wall-bounded flows [0.0]
縮小順序モデルを開発するために,広く適用可能なテンソルネットワークベースのフレームワークを提案する。
二つの空間次元における非圧縮性ナビエ・ストークス方程式と蓋駆動キャビティを考える。
論文 参考訳（メタデータ） (2023-03-06T10:33:00Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Losing momentum in continuous-time stochastic optimisation [42.617042045455506]
運動量に基づく最適化アルゴリズムは 特に広まりました
本研究では、運動量を伴う勾配降下の連続時間モデルを解析する。
また、画像分類問題において畳み込みニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2022-09-08T10:46:05Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳（メタデータ） (2021-04-06T01:44:15Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。