論文の概要: Reducing the Sensitivity of Neural Physics Simulators to Mesh Topology via Pretraining
- arxiv url: http://arxiv.org/abs/2501.09597v1
- Date: Thu, 16 Jan 2025 15:21:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-17 15:11:22.353394
- Title: Reducing the Sensitivity of Neural Physics Simulators to Mesh Topology via Pretraining
- Title(参考訳): プレトレーニングによるトポロジーのメッシュ化のためのニューラル物理シミュレータの感度低減
- Authors: Nathan Vaska, Justin Goodwin, Robin Walters, Rajmonda S. Caceres,
- Abstract要約: メッシュトポロジの変動は,ニューラルネットワークシミュレータの性能を著しく低下させることを示した。
グラフ埋め込みモデルを用いた確立されたオートエンコーダ事前トレーニング技術を用いることで、ニューラルネットワークシミュレータの感度をメッシュトポロジのバリエーションに低下させる。
- 参考スコア(独自算出の注目度): 13.19415425364914
- License:
- Abstract: Meshes are used to represent complex objects in high fidelity physics simulators across a variety of domains, such as radar sensing and aerodynamics. There is growing interest in using neural networks to accelerate physics simulations, and also a growing body of work on applying neural networks directly to irregular mesh data. Since multiple mesh topologies can represent the same object, mesh augmentation is typically required to handle topological variation when training neural networks. Due to the sensitivity of physics simulators to small changes in mesh shape, it is challenging to use these augmentations when training neural network-based physics simulators. In this work, we show that variations in mesh topology can significantly reduce the performance of neural network simulators. We evaluate whether pretraining can be used to address this issue, and find that employing an established autoencoder pretraining technique with graph embedding models reduces the sensitivity of neural network simulators to variations in mesh topology. Finally, we highlight future research directions that may further reduce neural simulator sensitivity to mesh topology.
- Abstract(参考訳): メッシュは、レーダーセンシングや空気力学など、さまざまな領域にわたる高忠実度物理シミュレータの複雑なオブジェクトを表現するために使用される。
ニューラルネットワークを使って物理シミュレーションを加速することへの関心が高まっており、不規則なメッシュデータに直接ニューラルネットワークを適用する取り組みも増えている。
複数のメッシュトポロジは同一のオブジェクトを表現できるため、ニューラルネットワークをトレーニングする際のトポロジ的変動を処理するためにメッシュ拡張が要求される。
物理シミュレータのメッシュ形状の小さな変化に対する感度のため、ニューラルネットワークベースの物理シミュレータをトレーニングする際にこれらの拡張を使用することは困難である。
本研究では,メッシュトポロジの変動がニューラルネットワークシミュレータの性能を大幅に低下させることを示す。
我々は、この問題を解決するために事前学習が使えるかどうかを評価し、グラフ埋め込みモデルを用いた確立されたオートエンコーダ事前訓練技術を用いることで、ニューラルネットワークシミュレータの感度をメッシュトポロジのバリエーションに還元することを示した。
最後に,メッシュトポロジに対する神経シミュレータの感度をさらに低下させる研究の方向性を強調した。
関連論文リスト
- Training Hybrid Neural Networks with Multimode Optical Nonlinearities Using Digital Twins [2.8479179029634984]
大規模非線形変換を行う多モードファイバに超短パルス伝搬を導入する。
ハイブリッドアーキテクチャのトレーニングは、光学系を微分的に近似するニューラルモデルによって達成される。
実験により,最先端の画像分類精度とシミュレーション精度が得られた。
論文 参考訳(メタデータ) (2025-01-14T10:35:18Z) - A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。
その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文 参考訳(メタデータ) (2024-09-23T11:16:46Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳(メタデータ) (2024-03-18T18:01:01Z) - Epistemic Modeling Uncertainty of Rapid Neural Network Ensembles for
Adaptive Learning [0.0]
新しいタイプのニューラルネットワークは、高速ニューラルネットワークパラダイムを用いて提示される。
提案したエミュレータを組み込んだニューラルネットワークは,予測精度を損なうことなく,ほぼ瞬時に学習できることが判明した。
論文 参考訳(メタデータ) (2023-09-12T22:34:34Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-06T13:04:45Z) - SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection
for Autonomous Driving [0.0]
Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。
まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
論文 参考訳(メタデータ) (2022-06-06T20:05:17Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Dynamic Analysis of Nonlinear Civil Engineering Structures using
Artificial Neural Network with Adaptive Training [2.1202971527014287]
本研究では,適応学習アルゴリズムを用いて人工ニューラルネットワークを開発した。
実地運動記録に対するせん断フレームと岩体構造の時間履歴応答をネットワークで予測できる。
論文 参考訳(メタデータ) (2021-11-21T21:14:48Z) - Physical Constraint Embedded Neural Networks for inference and noise
regulation [0.0]
ニューラルネットワークに偶数ノード対称性と保存則を埋め込む方法を提案する。
先行知識を使わずに正確に対称性を推測できることを実証する。
物理拘束型組込みニューラルネットワークの雑音耐性特性を強調した。
論文 参考訳(メタデータ) (2021-05-19T14:07:20Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳(メタデータ) (2020-12-31T18:53:25Z)
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。