論文の概要: Learning Deformable Body Interactions With Adaptive Spatial Tokenization
- arxiv url: http://arxiv.org/abs/2507.13707v1
- Date: Fri, 18 Jul 2025 07:27:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-21 20:43:26.207434
- Title: Learning Deformable Body Interactions With Adaptive Spatial Tokenization
- Title（参考訳）: 適応型空間トークン化による変形可能な身体相互作用の学習
- Authors: Hao Wang, Yu Liu, Daniel Biggs, Haoru Wang, Jiandong Yu, Ping Huang,
- Abstract要約: 変形可能な物体間の相互作用のシミュレーションは、材料科学、機械設計、ロボット工学などの分野において不可欠である。
オブジェクト間の相互作用をモデル化するには、ペアワイズなグローバルエッジを動的に作成する必要がある。
物理的状態の効率的な表現のための適応的空間トークン化(AST)手法を提案する。
- 参考スコア（独自算出の注目度）: 7.74274240680049
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating interactions between deformable bodies is vital in fields like material science, mechanical design, and robotics. While learning-based methods with Graph Neural Networks (GNNs) are effective at solving complex physical systems, they encounter scalability issues when modeling deformable body interactions. To model interactions between objects, pairwise global edges have to be created dynamically, which is computationally intensive and impractical for large-scale meshes. To overcome these challenges, drawing on insights from geometric representations, we propose an Adaptive Spatial Tokenization (AST) method for efficient representation of physical states. By dividing the simulation space into a grid of cells and mapping unstructured meshes onto this structured grid, our approach naturally groups adjacent mesh nodes. We then apply a cross-attention module to map the sparse cells into a compact, fixed-length embedding, serving as tokens for the entire physical state. Self-attention modules are employed to predict the next state over these tokens in latent space. This framework leverages the efficiency of tokenization and the expressive power of attention mechanisms to achieve accurate and scalable simulation results. Extensive experiments demonstrate that our method significantly outperforms state-of-the-art approaches in modeling deformable body interactions. Notably, it remains effective on large-scale simulations with meshes exceeding 100,000 nodes, where existing methods are hindered by computational limitations. Additionally, we contribute a novel large-scale dataset encompassing a wide range of deformable body interactions to support future research in this area.
- Abstract（参考訳）: 変形可能な物体間の相互作用のシミュレーションは、材料科学、機械設計、ロボット工学などの分野において不可欠である。
グラフニューラルネットワーク(GNN)を用いた学習手法は複雑な物理システムを解くのに有効であるが、変形可能な身体相互作用をモデル化する際のスケーラビリティの問題に遭遇する。
オブジェクト間の相互作用をモデル化するには、ペアワイズ・グローバルエッジを動的に作成する必要がある。
これらの課題を克服し、幾何学的表現からの洞察に基づいて、物理的状態の効率的な表現のための適応的空間トークン化(AST)手法を提案する。
シミュレーション空間をセルのグリッドに分割し、非構造化メッシュをこの構造化グリッドにマッピングすることで、我々のアプローチは、隣接するメッシュノードを自然にグループ化する。
次に、スパークセルをコンパクトで固定長の埋め込みにマッピングするために、クロスアテンションモジュールを適用し、物理的状態全体のトークンとして機能する。
自己注意モジュールは、潜在空間におけるこれらのトークンの次の状態を予測するために使用される。
このフレームワークは、トークン化の効率と注意機構の表現力を活用して、正確でスケーラブルなシミュレーション結果を実現する。
本手法は, 変形性体間相互作用のモデル化において, 最先端の手法よりも優れていることを示す。
特に、メッシュが10万以上のノードを持つ大規模シミュレーションでは、既存の手法が計算上の制限によって妨げられているため、依然として有効である。
さらに, この領域における今後の研究を支援するために, 幅広い変形可能な身体相互作用を含む新しい大規模データセットを寄贈する。
関連論文リスト
- Latent Representation Learning of Multi-scale Thermophysics: Application to Dynamics in Shocked Porous Energetic Material [0.05057680722486273]
本稿では,自然言語処理におけるトークン化の考え方を動機としたメタラーニング手法を提案する。
メソスケールの学習過程を加速するために,マイクロスケール物理の表現の縮小を学習できることが示される。
提案手法は,小規模なメソスケールデータセット上での安価なマイクロスケールシミュレーションと高速トレーニングを活用することで,クロージャモデルの開発を加速する。
論文 参考訳（メタデータ） (2025-06-15T23:28:33Z) - Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [55.914891182214475]
モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。
本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。
残る技術的課題や倫理的考察も分析する。
論文 参考訳（メタデータ） (2025-06-05T05:42:27Z) - MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network [1.275845610262865]
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。
論文 参考訳（メタデータ） (2025-03-17T12:48:29Z) - 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) - Integrating Physics and Topology in Neural Networks for Learning Rigid Body Dynamics [6.675805308519987]
剛体力学と学習衝突相互作用をモデル化するための新しい枠組みを提案する。
そこで本研究では,物理法則を直接モデルに組み込む物理インフォームドメッセージパッシングニューラルアーキテクチャを提案する。
この研究は、様々な科学的・工学的な領域にまたがる応用において、マルチエンタリティ・ダイナミックな相互作用の課題に対処する。
論文 参考訳（メタデータ） (2024-11-18T11:03:15Z) - 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) - Learning rigid dynamics with face interaction graph networks [11.029321427540829]
我々は、ノードではなくメッシュフェイス間のインタラクションを演算するFace Interaction Graph Network (FIGNet)を紹介した。
FIGNetは複雑な形状の相互作用をシミュレートする上で約4倍正確であり、スパースで剛性のあるメッシュでは8倍計算効率が高い。
実世界のデータから直接摩擦力学を学習でき、微妙なトレーニングデータを与える解析的解法よりも正確である。
論文 参考訳（メタデータ） (2022-12-07T11:22:42Z) - 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) - Convolutions for Spatial Interaction Modeling [9.408751013132624]
自律走行車周辺におけるアクターの移動予測における空間相互作用モデリングの問題点について考察する。
我々は畳み込みを再検討し,低レイテンシで空間相互作用をモデル化する上で,グラフネットワークと同等のパフォーマンスを実証できることを示した。
論文 参考訳（メタデータ） (2021-04-15T00:41:30Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳（メタデータ） (2020-07-13T17:44:30Z) - 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) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。