論文の概要: MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network

• arxiv url: http://arxiv.org/abs/2503.13123v1
• Date: Mon, 17 Mar 2025 12:48:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:01.279693
• Title: MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network
• Title（参考訳）: MIXPINN:物理インフォームドニューラルネットワークによる混合力学シミュレーション
• Authors: Xintian Yuan, Yunke Ao, Boqi Chen, Philipp Fuernstahl,
• Abstract要約: 従来の有限要素法(FEM)に基づくシミュレーションは計算コストが高く、リアルタイムシナリオでは実用的ではない。 混合材料シミュレーションのための物理インフォームドグラフニューラルネットワーク(GNN)フレームワークMIXPINNを紹介する。 バイオメカニカル構造のグラフベース表現を活用することで、MIXPINNはFEM生成データから高忠実度変形を学習し、サブミリ秒精度でリアルタイムな推論を実現する。
• 参考スコア（独自算出の注目度）: 1.275845610262865
• License:
• Abstract: Simulating the complex interactions between soft tissues and rigid anatomy is critical for applications in surgical training, planning, and robotic-assisted interventions. Traditional Finite Element Method (FEM)-based simulations, while accurate, are computationally expensive and impractical for real-time scenarios. Learning-based approaches have shown promise in accelerating predictions but have fallen short in modeling soft-rigid interactions effectively. We introduce MIXPINN, a physics-informed Graph Neural Network (GNN) framework for mixed-material simulations, explicitly capturing soft-rigid interactions using graph-based augmentations. Our approach integrates Virtual Nodes (VNs) and Virtual Edges (VEs) to enhance rigid body constraint satisfaction while preserving computational efficiency. By leveraging a graph-based representation of biomechanical structures, MIXPINN learns high-fidelity deformations from FEM-generated data and achieves real-time inference with sub-millimeter accuracy. We validate our method in a realistic clinical scenario, demonstrating superior performance compared to baseline GNN models and traditional FEM methods. Our results show that MIXPINN reduces computational cost by an order of magnitude while maintaining high physical accuracy, making it a viable solution for real-time surgical simulation and robotic-assisted procedures.
• Abstract（参考訳）: 軟組織と硬組織解剖の間の複雑な相互作用をシミュレーションすることは、外科訓練、計画、ロボット支援の介入に応用するために重要である。 従来の有限要素法(FEM)に基づくシミュレーションは正確ではあるが、計算コストが高く、リアルタイムシナリオでは実用的ではない。 学習ベースのアプローチは予測を加速する可能性を示しているが、ソフトリグッド相互作用を効果的にモデル化するには不足している。 混合物質シミュレーションのための物理インフォームドグラフニューラルネットワーク(GNN)フレームワークであるMIXPINNを導入する。 本手法では,VN(Virtual Nodes)とVE(Virtual Edges)を統合し,計算効率を保ちながら剛体制約満足度を高める。 バイオメカニカル構造のグラフベース表現を活用することで、MIXPINNはFEM生成データから高忠実度変形を学習し、サブミリ秒精度でリアルタイムな推論を実現する。 我々は,本手法を現実的な臨床シナリオで検証し,ベースラインGNNモデルや従来のFEM法と比較して優れた性能を示す。 以上の結果から,MIXPINNは身体的精度を維持しつつ計算コストを桁違いに削減し,リアルタイム手術シミュレーションやロボット支援手術に有効であることがわかった。

関連論文リスト

• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Graph Neural Networks for modelling breast biomechanical compression [0.08192907805418582]
  3次元モダリティからマンモグラフィーなどのX線治療への正確な画像登録には乳房圧迫シミュレーションが不可欠である。 圧縮による組織形状と位置の変化を考慮し、正確なアライメントを確保し、分析を改善している。 有限要素解析(FEA)は軟組織変形の近似に信頼性があり、精度と計算効率のバランスをとるのに苦労する。 近年の研究では、組織変形予測を高速化するために、FAAの結果に基づいて訓練されたデータ駆動モデルを用いている。 胸部圧迫シミュレーションのための物理ベースのグラフニューラルネットワーク(PhysGNN)を提案する。
  論文  参考訳（メタデータ） (2024-11-10T20:59:23Z)
• 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)
• A Neural Material Point Method for Particle-based Emulation [5.4346288442609945]
  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。
  論文  参考訳（メタデータ） (2024-08-28T12:39:51Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning [0.8250374560598492]
  軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
  論文  参考訳（メタデータ） (2023-01-11T18:17:10Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• What Robot do I Need? Fast Co-Adaptation of Morphology and Control using Graph Neural Networks [7.261920381796185]
  実世界へのコ適応手法の適用における大きな課題は、シミュレーションから現実へのギャップである。 本稿では,従来の高周波深部ニューラルネットワークと計算コストの高いグラフニューラルネットワークを組み合わせることで,エージェントのデータ効率向上を実現する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-03T17:41:38Z)
• 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)
• Leveraging Vision and Kinematics Data to Improve Realism of Biomechanic Soft-tissue Simulation for Robotic Surgery [13.657060682152409]
  ロボット内視鏡手術で得られたライブデータは,不正確なFEMシミュレーション結果の修正にどのように用いられるかを検討する。 我々はオープンソースのda Vinciオペレーショナルシステムを用いて,ソフトチップのファントムを探索し,シミュレーションでインタラクションを再現する。 予測メッシュ位置と測定点雲との差を補正するために,ネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-03-14T00:16:08Z)
• 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。