論文の概要: Graph Neural Network Surrogates for Contacting Deformable Bodies with Necessary and Sufficient Contact Detection
- arxiv url: http://arxiv.org/abs/2507.13459v1
- Date: Thu, 17 Jul 2025 18:09:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-21 20:43:26.107962
- Title: Graph Neural Network Surrogates for Contacting Deformable Bodies with Necessary and Sufficient Contact Detection
- Title（参考訳）: 接触検出に必要かつ十分対応した異形体接触のためのグラフニューラルネットワークサロゲート
- Authors: Vijay K. Dubey, Collin E. Haese, Osman Gültekin, David Dalton, Manuel K. Rausch, Jan N. Fuhg,
- Abstract要約: 力学における非線形境界値問題の高速推論のためのサロゲートモデルは、幅広い工学的応用に有用である。
既存の方法は、剛体接触に制限されるか、または少なくとも、十分に定義された接触面を持つ硬質物体と軟質物体の接触に制限される。
本稿では,連続的な衝突検出を利用するグラフニューラルネットワークアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Surrogate models for the rapid inference of nonlinear boundary value problems in mechanics are helpful in a broad range of engineering applications. However, effective surrogate modeling of applications involving the contact of deformable bodies, especially in the context of varying geometries, is still an open issue. In particular, existing methods are confined to rigid body contact or, at best, contact between rigid and soft objects with well-defined contact planes. Furthermore, they employ contact or collision detection filters that serve as a rapid test but use only the necessary and not sufficient conditions for detection. In this work, we present a graph neural network architecture that utilizes continuous collision detection and, for the first time, incorporates sufficient conditions designed for contact between soft deformable bodies. We test its performance on two benchmarks, including a problem in soft tissue mechanics of predicting the closed state of a bioprosthetic aortic valve. We find a regularizing effect on adding additional contact terms to the loss function, leading to better generalization of the network. These benefits hold for simple contact at similar planes and element normal angles, and complex contact at differing planes and element normal angles. We also demonstrate that the framework can handle varying reference geometries. However, such benefits come with high computational costs during training, resulting in a trade-off that may not always be favorable. We quantify the training cost and the resulting inference speedups on various hardware architectures. Importantly, our graph neural network implementation results in up to a thousand-fold speedup for our benchmark problems at inference.
- Abstract（参考訳）: 力学における非線形境界値問題の高速推論のためのサロゲートモデルは、幅広い工学的応用に有用である。
しかし、変形可能な物体の接触、特に様々な幾何学の文脈におけるアプリケーションの効果的な代理モデリングは、まだ未解決の問題である。
特に、既存の手法は剛体接触に制限されるか、またはせいぜい、十分に定義された接触面を持つ剛体と軟質物体の接触に制限される。
さらに、彼らは迅速なテストとして機能するが、検出に必要で十分な条件しか使用しない接触または衝突検出フィルタを採用している。
本研究では,連続衝突検出を利用したグラフニューラルネットワークアーキテクチャを提案する。
生体補綴用大動脈弁の閉鎖状態を予測するソフト組織力学の問題を含む2つのベンチマークでその性能を検証した。
損失関数に追加の接触項を追加することで正規化効果が得られ、ネットワークの一般化が向上する。
これらの利点は、類似した平面と元素の正規角度での単純な接触、異なる平面と元素の正規角度での複素接触を抑える。
また、フレームワークが様々な参照ジオメトリを扱えることを示す。
しかし、そのような利点は訓練中に高い計算コストを伴い、必ずしも好ましくないトレードオフをもたらす。
各種ハードウェアアーキテクチャにおけるトレーニングコストと結果の推論スピードアップの定量化を行う。
重要なことに、我々のグラフニューラルネットワークの実装は、推論時のベンチマーク問題の1000倍のスピードアップをもたらす。
関連論文リスト
- Energy-based physics-informed neural network for frictionless contact problems under large deformation [0.0]
本研究では、摩擦のない接触問題を大変形下で解くためのエネルギーベース物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
微視的なレナード・ジョーンズポテンシャルにインスパイアされた表面接触エネルギーは、接触現象を記述するために用いられる。
提案したPINNフレームワークは,非線形接触力学の信頼性と強力なツールであることがわかった。
論文 参考訳（メタデータ） (2024-11-06T05:10:20Z) - Physics-Encoded Graph Neural Networks for Deformation Prediction under
Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。
本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。
コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文 参考訳（メタデータ） (2024-02-05T19:21:52Z) - Integrated Object Deformation and Contact Patch Estimation from
Visuo-Tactile Feedback [8.420670642409219]
本稿では,ビジュオ触覚フィードバックからオブジェクトの変形と接触パッチを共同でモデル化する表現を提案する。
我々は,NDCFを学習するためのニューラルネットワークアーキテクチャを提案し,シミュレーションデータを用いて学習する。
我々は,学習したNDCFが微調整を必要とせず,直接現実世界に転送されることを実証した。
論文 参考訳（メタデータ） (2023-05-23T18:53:24Z) - Detecting hidden structures from a static loading experiment: topology optimization meets physics-informed neural networks [0.1227734309612871]
隠れた測地を識別するPINNに基づくトポロジ最適化フレームワークを提案する。
我々は,隠れた空洞と包含物の数,位置,形状を検出することによって,我々の枠組みを検証する。
本手法は,工学における幾何最適化問題を解くためのPINNの経路を開く。
論文 参考訳（メタデータ） (2023-03-13T12:44:32Z) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳（メタデータ） (2023-02-19T20:33:32Z) - Contact Points Discovery for Soft-Body Manipulations with Differentiable
Physics [99.86385468927638]
本稿では,ソフトボディのプラスチックを変形させる物理解法を導出する接触点探索手法(CPDeform)を提案する。
単一段階のタスクでは,移動優先度に基づいて適切な初期接触点を自動的に見つけることができる。
複雑なマルチステージタスクでは、トランスポート優先に基づいて、エンドエフェクタの接触点を反復的に切り替えることができる。
論文 参考訳（メタデータ） (2022-05-05T17:59:41Z) - DeepPhysics: a physics aware deep learning framework for real-time
simulation [0.0]
データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。
ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。
その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
論文 参考訳（メタデータ） (2021-09-17T12:15:47Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳（メタデータ） (2021-09-02T16:06:45Z) - Real-time Pose and Shape Reconstruction of Two Interacting Hands With a
Single Depth Camera [79.41374930171469]
本稿では,2つの強く相互作用する手の位置と形状をリアルタイムに再現する新しい手法を提案する。
われわれのアプローチは、有利なプロパティの広範なリスト、すなわちマーカーレスを組み合わせている。
過去の研究で示された複雑性レベルを超える場面で、最先端の結果を示す。
論文 参考訳（メタデータ） (2021-06-15T11:39:49Z) - 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 Physical Constraints with Neural Projections [16.09436906471513]
そこで我々は,ニューラルネットワークの新たなファミリーを提案し,その基盤となる制約を学習することによって,物理系の振る舞いを予測する。
ニューラルネットワークのプロジェクション演算子は,組込み再帰アーキテクチャを備えた軽量ネットワークで構成されたアプローチの中心に位置する。
我々は,一貫した簡単な方法で,一組の物理的システムを学習することで,我々のアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2020-06-23T04:19:04Z) - Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。
実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。
以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
論文 参考訳（メタデータ） (2020-04-30T19:12:50Z)
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。