Fugu-MT 論文翻訳(概要): A Neural Material Point Method for Particle-based Simulations

論文の概要: A Neural Material Point Method for Particle-based Simulations

arxiv url: http://arxiv.org/abs/2408.15753v2
Date: Sun, 13 Oct 2024 08:44:12 GMT
ステータス: 処理完了
システム内更新日: 2024-11-08 04:30:58.559456
Title: A Neural Material Point Method for Particle-based Simulations
Title（参考訳）: 粒子シミュレーションのためのニューラルネットワーク材料ポイント法
Authors: Omer Rochman Sharabi, Sacha Lewin, Gilles Louppe,
Abstract要約: 本稿では,粒子シミュレーションのためのニューラルネットワークエミュレーションフレームワークNeuralMPMを提案する。 NeuralMPMは、ラグランジュ粒子を固定サイズグリッドに補間し、イメージ・ツー・イメージニューラルネットワークを使用してグリッドノードの更新を計算し、粒子に補間する。流体力学や流体-固体相互作用など,いくつかのデータセット上でのNeuralMPMの利点を実証する。
参考スコア（独自算出の注目度）: 5.4346288442609945
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Mesh-free Lagrangian methods are widely used for simulating fluids, solids, and their complex interactions due to their ability to handle large deformations and topological changes. These physics simulators, however, require substantial computational resources for accurate simulations. To address these issues, deep learning emulators promise faster and scalable simulations, yet they often remain expensive and difficult to train, limiting their practical use. Inspired by the Material Point Method (MPM), we present NeuralMPM, a neural emulation framework for particle-based simulations. NeuralMPM interpolates Lagrangian particles onto a fixed-size grid, computes updates on grid nodes using image-to-image neural networks, and interpolates back to the particles. Similarly to MPM, NeuralMPM benefits from the regular voxelized representation to simplify the computation of the state dynamics, while avoiding the drawbacks of mesh-based Eulerian methods. We demonstrate the advantages of NeuralMPM on several datasets, including fluid dynamics and fluid-solid interactions. Compared to existing methods, NeuralMPM reduces training times from days to hours, while achieving comparable or superior long-term accuracy, making it a promising approach for practical forward and inverse problems. A project page is available at https://neuralmpm.isach.be
Abstract（参考訳）: メッシュフリーラグランジアン法は、大きな変形や位相変化を扱う能力のため、流体、固体、およびそれらの複雑な相互作用をシミュレートするために広く用いられている。しかし、これらの物理シミュレータは正確なシミュレーションのためにかなりの計算資源を必要とする。これらの問題に対処するために、ディープラーニングエミュレータはより高速でスケーラブルなシミュレーションを約束するが、しばしば高価で訓練が困難であり、実用的使用を制限している。物質点法(MPM)にヒントを得て,粒子シミュレーションのためのニューラルネットワークエミュレーションフレームワークであるNeuralMPMを提案する。 NeuralMPMは、ラグランジュ粒子を固定サイズグリッドに補間し、イメージ・ツー・イメージニューラルネットワークを使用してグリッドノードの更新を計算し、粒子に補間する。 MPMと同様に、NeuralMPMは、メッシュベースのEulerianメソッドの欠点を回避しつつ、状態ダイナミクスの計算を単純化する通常のボキセル化表現の恩恵を受ける。流体力学や流体-固体相互作用など,いくつかのデータセット上でのNeuralMPMの利点を実証する。既存の方法と比較して、NeuralMPMはトレーニング時間を数日から数時間に短縮すると同時に、同等あるいは優れた長期的精度を実現し、実用的な前方および逆問題に対する有望なアプローチである。プロジェクトのページはhttps://neuralmpm.isach.beで公開されている。

関連論文リスト

NeuralMAG: Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets [9.674100498903844]
我々は,マイクロ磁気シミュレーションの深層学習手法であるNeuralMAGを紹介する。我々のアプローチは、LLG反復フレームワークに従うが、U字型ニューラルネットワーク(Unet)の利用により磁場の非磁性化を加速する。既存のニューラルネットワークとは異なり、NeuralMAGは特定のタスクに対するエンドツーエンドの近似ではなく、コア計算に集中しており、本質的に一般化可能である。
論文参考訳（メタデータ） (2024-10-19T05:25:08Z)
Physics-informed MeshGraphNets (PI-MGNs): Neural finite element solvers for non-stationary and nonlinear simulations on arbitrary meshes [13.41003911618347]
PI-MGNは、PINNとMGNを組み合わせて任意のメッシュ上の非定常および非線形偏微分方程式(PDE)を解くハイブリッドアプローチである。結果は、モデルが大規模で複雑なメッシュにうまくスケールしていることを示しているが、小さなジェネリックメッシュでのみトレーニングされている。
論文参考訳（メタデータ） (2024-02-16T13:34:51Z)
Rethinking materials simulations: Blending direct numerical simulations with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文参考訳（メタデータ） (2023-12-08T23:44:54Z)
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)
NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文参考訳（メタデータ） (2023-08-24T17:59:54Z)
Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文参考訳（メタデータ） (2023-05-21T03:51:03Z)
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)
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)
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)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。