論文の概要: Evaluation of Neural Surrogates for Physical Modelling Synthesis of Nonlinear Elastic Plates

• arxiv url: http://arxiv.org/abs/2507.12563v1
• Date: Wed, 16 Jul 2025 18:25:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 20:10:24.241663
• Title: Evaluation of Neural Surrogates for Physical Modelling Synthesis of Nonlinear Elastic Plates
• Title（参考訳）: 非線形弾性板の物理モデリング合成のためのニューラルサロゲートの評価
• Authors: Carlos De La Vega Martin, Rodrigo Diaz Fernandez, Mark Sandler,
• Abstract要約: 本稿では非線形弾性板の振動を解くためのニューラルネットワークによるアプローチの比較分析を行う。 これらのモデルのいくつかの制限を示し、なぜ時間領域の予測エラーを見るのに十分でないのかを示す。
• 参考スコア（独自算出の注目度）: 7.48438749279491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical modelling synthesis aims to generate audio from physical simulations of vibrating structures. Thin elastic plates are a common model for drum membranes. Traditional numerical methods like finite differences and finite elements offer high accuracy but are computationally demanding, limiting their use in real-time audio applications. This paper presents a comparative analysis of neural network-based approaches for solving the vibration of nonlinear elastic plates. We evaluate several state-of-the-art models, trained on short sequences, for prediction of long sequences in an autoregressive fashion. We show some of the limitations of these models, and why is not enough to look at the prediction error in the time domain. We discuss the implications for real-time audio synthesis and propose future directions for improving neural approaches to model nonlinear vibration.
• Abstract（参考訳）: 物理モデリング合成は振動構造の物理シミュレーションから音声を生成することを目的としている。 薄い弾性板はドラム膜の一般的なモデルである。 有限差分や有限要素のような従来の数値法は精度は高いが、計算的に要求され、リアルタイムオーディオアプリケーションでの使用を制限する。 本稿では非線形弾性板の振動を解くためのニューラルネットワークによるアプローチの比較分析を行う。 我々は,短いシーケンスで訓練されたいくつかの最先端モデルを評価し,自己回帰的手法で長いシーケンスを予測する。 これらのモデルのいくつかの制限を示し、なぜ時間領域の予測エラーを見るのに十分でないのかを示す。 実時間音声合成の意義を考察し,非線形振動をモデル化するためのニューラルアプローチの今後の方向性を提案する。

関連論文リスト

• Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
  本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。 摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
  論文  参考訳（メタデータ） (2025-01-21T02:38:28Z)
• Probabilistic Decomposed Linear Dynamical Systems for Robust Discovery of Latent Neural Dynamics [5.841659874892801]
  時間変化線形状態空間モデルは、ニューラルネットワークの数学的解釈可能な表現を得るための強力なツールである。 潜在変数推定のための既存の手法は、動的ノイズやシステムの非線形性に対して堅牢ではない。 本稿では,動的雑音に対するロバスト性を改善するために,分解モデルにおける潜在変数推定に対する確率的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-29T18:58:39Z)
• Differentiable Modal Synthesis for Physical Modeling of Planar String Sound and Motion Simulation [17.03776191787701]
  非線形弦の運動特性をシミュレーションする新しいモデルを提案する。 我々は物理ネットワークフレームワークにモーダル合成とスペクトルモデリングを統合する。 経験的評価は、弦運動シミュレーションにおいて、アーキテクチャが優れた精度を達成することを示す。
  論文  参考訳（メタデータ） (2024-07-07T23:36:51Z)
• Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
  本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。 また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。 我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
  論文  参考訳（メタデータ） (2024-05-23T12:39:49Z)
• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Artificial neural networks and time series of counts: A class of nonlinear INGARCH models [0.0]
  INGARCHモデルを人工知能ニューラルネットワーク(ANN)応答関数と組み合わせて非線形INGARCHモデルのクラスを得る方法を示す。 ANNフレームワークは、対応するニューラルモデルの退化バージョンとして、既存のINGARCHモデルの解釈を可能にする。 有界数と非有界数の時系列の実証分析により、ニューラルINGARCHモデルは、情報損失の観点から、合理的に退化した競合モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-03T14:26:16Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)

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。