論文の概要: UniPhy: Learning a Unified Constitutive Model for Inverse Physics Simulation

• arxiv url: http://arxiv.org/abs/2505.16971v1
• Date: Thu, 22 May 2025 17:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.517298
• Title: UniPhy: Learning a Unified Constitutive Model for Inverse Physics Simulation
• Title（参考訳）: UniPhy:逆物理シミュレーションのための統一構成モデルを学ぶ
• Authors: Himangi Mittal, Peiye Zhuang, Hsin-Ying Lee, Shubham Tulsiani,
• Abstract要約: 本稿では,様々な材料の物理的特性をエンコードできる共通潜在条件ニューラルモデルを提案する。 推論において、UniPhyは逆シミュレーション、すなわち微分可能シミュレーションによる材料特性の推論を可能にする。 我々は,UniPhyからの推論により,新しい条件下でのより正確なリプレイとリシミュレーションが可能となることを示す。
• 参考スコア（独自算出の注目度）: 41.39162195497306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose UniPhy, a common latent-conditioned neural constitutive model that can encode the physical properties of diverse materials. At inference UniPhy allows `inverse simulation' i.e. inferring material properties by optimizing the scene-specific latent to match the available observations via differentiable simulation. In contrast to existing methods that treat such inference as system identification, UniPhy does not rely on user-specified material type information. Compared to prior neural constitutive modeling approaches which learn instance specific networks, the shared training across materials improves both, robustness and accuracy of the estimates. We train UniPhy using simulated trajectories across diverse geometries and materials -- elastic, plasticine, sand, and fluids (Newtonian & non-Newtonian). At inference, given an object with unknown material properties, UniPhy can infer the material properties via latent optimization to match the motion observations, and can then allow re-simulating the object under diverse scenarios. We compare UniPhy against prior inverse simulation methods, and show that the inference from UniPhy enables more accurate replay and re-simulation under novel conditions.
• Abstract（参考訳）: 様々な材料の物理的特性をエンコードできる共通潜在条件ニューラルコンストラクティブモデルUniPhyを提案する。 推論において、UniPhyは「逆シミュレーション」すなわち、シーン固有の潜水器を最適化して、異なるシミュレーションで利用可能な観測値に一致させることで、材料特性を推測することができる。 このような推論をシステム識別として扱う既存の手法とは対照的に、UniPhyはユーザ指定の材料タイプ情報に依存しない。 インスタンス固有のネットワークを学習する以前のニューラルネットワーク構成モデリングアプローチと比較して、材料間での共有トレーニングは、見積もりの堅牢性と正確性の両方を改善している。 我々はUniPhyを、様々な地形や材料(弾性、プラスチック、砂、流体(ニュートン系および非ニュートン系))にまたがる模擬軌道を用いて訓練する。 推測では、未知の物質特性を持つオブジェクトが与えられた場合、UniPhyは潜在最適化によって物質特性を推論し、動きの観測と一致させ、様々なシナリオ下でオブジェクトを再シミュレーションすることができる。 我々は,UniPhyと従来の逆シミュレーション手法を比較し,UniPhyからの推論により,新しい条件下でのより正確なリプレイとリシミュレーションが可能になることを示す。

関連論文リスト

• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• All-in-one simulation-based inference [19.41881319338419]
  我々は、現在の制限を克服する新しい償却推論手法、Simformerを提案する。 Simformerは、ベンチマークタスクにおける現在の最先端の償却推論アプローチより優れています。 関数値パラメータを持つモデルに適用することができ、欠落または非構造化データによる推論シナリオを処理でき、パラメータとデータの合同分布の任意の条件をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-04-15T10:12:33Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Virtual Elastic Objects [18.228492027143307]
  現実のオブジェクトのように振る舞う仮想オブジェクトを構築します。 我々は、微分可能な粒子ベースシミュレータを用いて、変形場を用いて代表材料パラメータを探索する。 各種力場下で12個のオブジェクトのデータセットを用いて実験を行い,コミュニティと共有する。
  論文  参考訳（メタデータ） (2022-01-12T18:59:03Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)

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。