論文の概要: EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator

• arxiv url: http://arxiv.org/abs/2506.05797v1
• Date: Fri, 06 Jun 2025 06:49:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.352751
• Title: EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator
• Title（参考訳）: EqCollide:等変と衝突を考慮した変形性物体ニューラルシミュレータ
• Authors: Qianyi Chen, Tianrun Gao, Chenbo Jiang, Tailin Wu,
• Abstract要約: EqCollideは、変形可能な物体とその衝突に対する最初のエンドツーエンド同変ニューラルネットワークシミュレータである。 実験の結果、EqCollideは様々なオブジェクト構成に対して正確で安定でスケーラブルなシミュレーションを実現することがわかった。
• 参考スコア（独自算出の注目度）: 6.056458618771203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating collisions of deformable objects is a fundamental yet challenging task due to the complexity of modeling solid mechanics and multi-body interactions. Existing data-driven methods often suffer from lack of equivariance to physical symmetries, inadequate handling of collisions, and limited scalability. Here we introduce EqCollide, the first end-to-end equivariant neural fields simulator for deformable objects and their collisions. We propose an equivariant encoder to map object geometry and velocity into latent control points. A subsequent equivariant Graph Neural Network-based Neural Ordinary Differential Equation models the interactions among control points via collision-aware message passing. To reconstruct velocity fields, we query a neural field conditioned on control point features, enabling continuous and resolution-independent motion predictions. Experimental results show that EqCollide achieves accurate, stable, and scalable simulations across diverse object configurations, and our model achieves 24.34% to 35.82% lower rollout MSE even compared with the best-performing baseline model. Furthermore, our model could generalize to more colliding objects and extended temporal horizons, and stay robust to input transformed with group action.
• Abstract（参考訳）: 変形可能な物体の衝突をシミュレーションすることは、固体力学と多体相互作用のモデリングの複雑さのため、基本的な課題である。 既存のデータ駆動手法は、物理対称性と等価性の欠如、衝突の不十分な処理、スケーラビリティの制限に悩まされることが多い。 ここでは、変形可能な物体とその衝突に対する最初のエンドツーエンド同変ニューラルネットワークシミュレータであるEqCollideを紹介する。 物体の形状と速度を潜在制御点にマッピングする等変エンコーダを提案する。 その後の同変グラフニューラルネットワークに基づくニューラル正規微分方程式は、衝突認識メッセージパッシングによる制御点間の相互作用をモデル化する。 速度場を再構成するために,制御点の特徴を条件としたニューラルネットワークをクエリし,連続的および分解能に依存しない動作予測を可能にする。 実験結果から,EqCollideは多種多様なオブジェクト構成の精度,安定,スケーラブルなシミュレーションを実現しており,我々のモデルでは,最高性能のベースラインモデルと比較して,24.34%から35.82%低いロールアウトMSEを実現していることがわかった。 さらに、我々のモデルはより衝突する物体に一般化され、時間的地平線が拡張され、グループアクションで変換された入力に対して頑健に保たれる。

関連論文リスト

• Equivariant Eikonal Neural Networks: Grid-Free, Scalable Travel-Time Prediction on Homogeneous Spaces [43.47786430902914]
  等価ニューラルネットワーク(ENF)とニューラルアイコンの解法を統合する新しいフレームワークを提案する。 我々のアプローチでは、信号固有の潜伏変数に統一された共有バックボーンが条件付けられた単一のニューラルネットワークを用いる。 2次元および3次元ベンチマークデータセットの地震波走行時間モデリングへの応用を通して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-05-21T21:29:18Z)
• Decoupled Dynamics Framework with Neural Fields for 3D Spatio-temporal Prediction of Vehicle Collisions [1.474723404975345]
  本研究では,グローバル剛体運動と局所構造変形を独立にモデル化し,3次元車両衝突ダイナミクスを予測するニューラルネットワークフレームワークを提案する。 2つの特殊なネットワークがフレームワークのコアを形成し、四元数ベースの剛性運動のためのRigid Netと局所的な変形のための座標ベースの変形ネットである。 利用可能なシミュレーションデータの10%しかトレーニングされていないこのモデルは、予測エラーを最大83%減らし、ベースラインモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-03-25T14:38:37Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Residual Neural Networks for the Prediction of Planetary Collision Outcomes [0.0]
  N体惑星形成シミュレーションにおいて,衝突の迅速かつ正確な処理を行う機械学習(ML)モデルを提案する。 我々のモデルは、データ生成プロセスの基盤となる物理的プロセスによって動機付けられ、衝突後の状態を柔軟に予測することができる。 我々は、MLタスクをマルチタスク回帰問題として定式化し、エンドツーエンドで衝突処理のためのMLモデルの簡易かつ効率的な訓練を可能にする。
  論文  参考訳（メタデータ） (2022-10-09T12:42:43Z)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• 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。