論文の概要: Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation

• arxiv url: http://arxiv.org/abs/2410.03779v1
• Date: Thu, 3 Oct 2024 15:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-02 16:30:33.246186
• Title: Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation
• Title（参考訳）: メッシュ型物理シミュレーションのためのメッセージパッシング階層の発見
• Authors: Huayu Deng, Xiangming Zhu, Yunbo Wang, Xiaokang Yang,
• Abstract要約: DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。 本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
• 参考スコア（独自算出の注目度）: 61.89682310797067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks have emerged as a powerful tool for large-scale mesh-based physics simulation. Existing approaches primarily employ hierarchical, multi-scale message passing to capture long-range dependencies within the graph. However, these graph hierarchies are typically fixed and manually designed, which do not adapt to the evolving dynamics present in complex physical systems. In this paper, we introduce a novel neural network named DHMP, which learns Dynamic Hierarchies for Message Passing networks through a differentiable node selection method. The key component is the anisotropic message passing mechanism, which operates at both intra-level and inter-level interactions. Unlike existing methods, it first supports directionally non-uniform aggregation of dynamic features between adjacent nodes within each graph hierarchy. Second, it determines node selection probabilities for the next hierarchy according to different physical contexts, thereby creating more flexible message shortcuts for learning remote node relations. Our experiments demonstrate the effectiveness of DHMP, achieving 22.7% improvement on average compared to recent fixed-hierarchy message passing networks across five classic physics simulation datasets.
• Abstract（参考訳）: グラフニューラルネットワークは、大規模メッシュベースの物理シミュレーションの強力なツールとして登場した。 既存のアプローチでは、主に階層的なマルチスケールメッセージパッシングを使用して、グラフ内の長距離依存関係をキャプチャする。 しかし、これらのグラフ階層は通常固定され、手動で設計され、複雑な物理系に存在する進化力学に適応しない。 本稿では,DHMPと呼ばれる新しいニューラルネットワークを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。 鍵となるコンポーネントは異方性メッセージパッシング機構であり、レベル内の相互作用とレベル間の相互作用の両方で動作する。 既存の方法とは異なり、グラフ階層内の隣接ノード間の動的特徴の非一様アグリゲーションを指向的にサポートする。 第二に、異なる物理的コンテキストに応じて次の階層のノード選択確率を決定することにより、リモートノード関係を学習するためのより柔軟なメッセージショートカットを生成する。 本実験はDHMPの有効性を実証し,従来の5つの物理シミュレーションデータセットを用いた最近の固定階層メッセージパッシングネットワークと比較して平均22.7%改善した。

関連論文リスト

• Online Learning Of Expanding Graphs [14.952056744888916]
  本稿では,信号ストリームからグラフを拡張するためのオンラインネットワーク推論の問題に対処する。 ネットワークに加入したばかりのノードや,それまでのノードに対して,さまざまなタイプの更新を可能にする戦略を導入する。
  論文  参考訳（メタデータ） (2024-09-13T09:20:42Z)
• Learning Flexible Body Collision Dynamics with Hierarchical Contact Mesh Transformer [19.042551780033765]
  階層型メッシュ構造を用いて長距離依存を学習可能な階層型コンタクトメッシュトランス(HCMT)を提案する。 HCMTは長距離相互作用を可能にし、階層メッシュ構造はすぐに遠くの位置への衝突効果を伝播させる。 その結果,HCMTは既存の手法に比べて大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-12-19T05:30:08Z)
• Accelerating Dynamic Network Embedding with Billions of Parameter Updates to Milliseconds [27.98359191399847]
  本稿では,ノードごとの更新ではなく,埋め込み空間の軸を回転させ,拡張する新しい動的ネットワーク埋め込みパラダイムを提案する。 具体的には,DAMF(Dynamic Adjacency Matrix Factorization)アルゴリズムを提案する。 異なるサイズの動的グラフ上でのノード分類、リンク予測、グラフ再構成の実験は、DAMFが動的ネットワーク埋め込みを進めることを示唆している。
  論文  参考訳（メタデータ） (2023-06-15T09:02:17Z)
• WLD-Reg: A Data-dependent Within-layer Diversity Regularizer [98.78384185493624]
  ニューラルネットワークは、勾配に基づく最適化と共同で訓練された階層構造に配置された複数の層で構成されている。 我々は、この従来の「中間層」フィードバックを補うために、同じ層内での活性化の多様性を促進するために、追加の「中間層」フィードバックを補うことを提案する。 本稿では,提案手法が複数のタスクにおける最先端ニューラルネットワークモデルの性能を向上させることを実証した広範な実証研究を提案する。
  論文  参考訳（メタデータ） (2023-01-03T20:57:22Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Equivariant Graph Hierarchy-Based Neural Networks [53.60804845045526]
  Equivariant Hierarchy-based Graph Networks (EGHNs)を提案する。 EGHNは、EMMP(Generalized Equivariant Matrix Message Passing)、E-Pool、E-UpPoolの3つの主要なコンポーネントから構成される。 EGHNのマルチオブジェクト・ダイナミクス・シミュレーション,モーションキャプチャ,タンパク質・ダイナミックス・モデリングなど,いくつかの応用における有効性について検討した。
  論文  参考訳（メタデータ） (2022-02-22T03:11:47Z)
• Hierarchical Graph Neural Networks [0.0]
  本稿では,従来のニューラルネットワークとグラフニューラルネットワークアーキテクチャの点を結びつけることを目的とする。 従来の入力ネットワーク層を補助ネットワーク層の階層構造で補完する階層型グラフニューラルネットワークアーキテクチャを提案する。 これにより、個々のノードの特徴と集約されたネットワークの特徴を可変解像度で同時学習し、個々のノードの特徴学習の収束と安定性を改善することができる。
  論文  参考訳（メタデータ） (2021-05-07T16:47:18Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)

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。