論文の概要: Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization
- arxiv url: http://arxiv.org/abs/2409.03807v1
- Date: Thu, 5 Sep 2024 12:56:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 17:40:07.814410
- Title: Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization
- Title（参考訳）: リプシッツ最適化によるデフォルマブルシミュレーションの高速化ニューラル部分空間に基づく低次解法
- Authors: Aoran Lyu, Shixian Zhao, Chuhua Xian, Zhihao Cen, Hongmin Cai, Guoxin Fang,
- Abstract要約: 高DOFで物理シミュレーションを高速化する新しい手法として,低次シミュレーションがある。
本稿では,最適化された部分空間マッピングの探索手法を提案する。
準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
- 参考スコア（独自算出の注目度）: 9.364019847856714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reduced-order simulation is an emerging method for accelerating physical simulations with high DOFs, and recently developed neural-network-based methods with nonlinear subspaces have been proven effective in diverse applications as more concise subspaces can be detected. However, the complexity and landscape of simulation objectives within the subspace have not been optimized, which leaves room for enhancement of the convergence speed. This work focuses on this point by proposing a general method for finding optimized subspace mappings, enabling further acceleration of neural reduced-order simulations while capturing comprehensive representations of the configuration manifolds. We achieve this by optimizing the Lipschitz energy of the elasticity term in the simulation objective, and incorporating the cubature approximation into the training process to manage the high memory and time demands associated with optimizing the newly introduced energy. Our method is versatile and applicable to both supervised and unsupervised settings for optimizing the parameterizations of the configuration manifolds. We demonstrate the effectiveness of our approach through general cases in both quasi-static and dynamics simulations. Our method achieves acceleration factors of up to 6.83 while consistently preserving comparable simulation accuracy in various cases, including large twisting, bending, and rotational deformations with collision handling. This novel approach offers significant potential for accelerating physical simulations, and can be a good add-on to existing neural-network-based solutions in modeling complex deformable objects.
- Abstract（参考訳）: 還元次数シミュレーションは、高いDOFで物理シミュレーションを加速させる新しい手法であり、最近開発された非線形部分空間を持つニューラルネットワークベースの手法は、より簡潔な部分空間を検出できるため、様々な用途で有効であることが証明されている。
しかし、部分空間内のシミュレーション対象の複雑さと展望は最適化されておらず、収束速度を高める余地を残している。
この研究は、最適化された部分空間マッピングを見つけるための一般的な方法を提案し、構成多様体の包括的表現を捉えながら、ニューラルネットワークの低次シミュレーションのさらなる加速を可能にした。
シミュレーション目的において, 弾性項のリプシッツエネルギーを最適化し, キュキュア近似をトレーニングプロセスに組み込むことで, 新たに導入されたエネルギーを最適化する際の高メモリと時間要求を管理する。
本手法は,構成多様体のパラメータ化を最適化するための教師付き設定と教師なし設定の両方に適用可能である。
準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
提案手法は最大6.83の加速係数を達成し, 衝突処理を伴う大きなねじれ, 曲げ, 回転変形など, 様々なケースで同等のシミュレーション精度を維持した。
この新しいアプローチは、物理シミュレーションを加速する大きな可能性を秘めており、複雑な変形可能なオブジェクトをモデル化する上で、既存のニューラルネットワークベースのソリューションに対する良いアドオンとなる。
関連論文リスト
- Lattice real-time simulations with learned optimal kernels [49.1574468325115]
本稿では、強化学習にインスパイアされた量子場のリアルタイムダイナミクスのシミュレーション戦略を提案する。
複雑なLangevinアプローチに基づいて構築され、システム固有の事前情報で修正される。
論文 参考訳（メタデータ） (2023-10-12T06:01:01Z) - Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization [28.292234483886947]
本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
論文 参考訳（メタデータ） (2023-03-30T15:44:30Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-10-12T09:12:59Z) - Hybrid Physical-Neural ODEs for Fast N-body Simulations [0.22419496088582863]
我々は、宇宙論的N体シミュレーションのためのParticle-Meshスキームから生じる小規模近似を補正する新しいスキームを提案する。
提案手法は相互相関係数においてPGDよりも優れており,シミュレーション設定の変化に対してより堅牢であることがわかった。
論文 参考訳（メタデータ） (2022-07-12T13:06:06Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳（メタデータ） (2021-09-16T04:48:13Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z) - Nonlinear model reduction for slow-fast stochastic systems near unknown
invariant manifolds [4.565636963872865]
低次元不変実効多様体を持つ高次元力学系に対する非線形モデル還元手法を提案する。
ブラックボックスシミュレータを用いて,シミュレーションの短いバーストが得られる。
シミュレータは不変多様体の低次元を生かし、有効過程の正則性に依存する大きさの時間ステップを取るという点で効率的である。
論文 参考訳（メタデータ） (2021-04-05T19:29:46Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Augmenting Differentiable Simulators with Neural Networks to Close the
Sim2Real Gap [15.1962264049463]
本稿では,ニューラルネットワークを用いた解析モデルの任意の点における拡張を可能にする,剛体力学の微分可能なシミュレーションアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-07-12T17:27:11Z) - CoolMomentum: A Method for Stochastic Optimization by Langevin Dynamics
with Simulated Annealing [23.87373187143897]
深層学習アプリケーションは、複数の局所ミニマを持つ非目的関数を大域的に最適化する必要がある。
物理シミュレーションでも同様の問題を解くために座標学習アルゴリズムが利用できることを示す。
論文 参考訳（メタデータ） (2020-05-29T14:44:24Z)
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。