論文の概要: Reversible GNS for Dissipative Fluids with Consistent Bidirectional Dynamics

• arxiv url: http://arxiv.org/abs/2509.22207v1
• Date: Fri, 26 Sep 2025 11:21:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.384191
• Title: Reversible GNS for Dissipative Fluids with Consistent Bidirectional Dynamics
• Title（参考訳）: 連続二方向ダイナミクスを持つ散逸流体の可逆的GNS
• Authors: Mu Huang, Linning Xu, Mingyue Dai, Yidi Shao, Bo Dai,
• Abstract要約: Reversible Graph Network Simulator (R-GNS)は、単一のグラフアーキテクチャ内で双方向の一貫性を強制する統一フレームワークである。 R-GNSはパラメータの4分の1で高い精度と一貫性を実現し、最適化ベースのベースラインよりも100倍以上高速な逆推論を行う。
• 参考スコア（独自算出の注目度）: 15.99183056003856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating physically plausible trajectories toward user-defined goals is a fundamental yet challenging task in fluid dynamics. While particle-based simulators can efficiently reproduce forward dynamics, inverse inference remains difficult, especially in dissipative systems where dynamics are irreversible and optimization-based solvers are slow, unstable, and often fail to converge. In this work, we introduce the Reversible Graph Network Simulator (R-GNS), a unified framework that enforces bidirectional consistency within a single graph architecture. Unlike prior neural simulators that approximate inverse dynamics by fitting backward data, R-GNS does not attempt to reverse the underlying physics. Instead, we propose a mathematically invertible design based on residual reversible message passing with shared parameters, coupling forward dynamics with inverse inference to deliver accurate predictions and efficient recovery of plausible initial states. Experiments on three dissipative benchmarks (Water-3D, WaterRamps, and WaterDrop) show that R-GNS achieves higher accuracy and consistency with only one quarter of the parameters, and performs inverse inference more than 100 times faster than optimization-based baselines. For forward simulation, R-GNS matches the speed of strong GNS baselines, while in goal-conditioned tasks it eliminates iterative optimization and achieves orders-of-magnitude speedups. On goal-conditioned tasks, R-GNS further demonstrates its ability to complex target shapes (e.g., characters "L" and "N") through vivid, physically consistent trajectories. To our knowledge, this is the first reversible framework that unifies forward and inverse simulation for dissipative fluid systems.
• Abstract（参考訳）: ユーザ定義目標に対する物理的に妥当な軌道のシミュレーションは、流体力学の基本的な課題である。 粒子ベースのシミュレータはフォワードダイナミクスを効率的に再現できるが、特に動力学が可逆であり、最適化ベースの解法が遅く、不安定であり、しばしば収束に失敗する散逸的なシステムでは、逆推論は難しいままである。 本稿では,単一のグラフアーキテクチャ内で双方向の一貫性を実現する統一フレームワークであるReversible Graph Network Simulator (R-GNS)を紹介する。 R-GNSは、後方データを取り付けることで逆ダイナミクスを近似する以前の神経シミュレータとは異なり、基礎となる物理を逆転させようとはしない。 そこで本研究では, パラメータの共有による残差可逆メッセージパッシング, 逆推論による前方ダイナミクスの結合に基づく数学的に可逆な設計を提案する。 3つの散逸性ベンチマーク(Water-3D、WaterRamps、WaterDrop)の実験では、R-GNSはパラメータの4分の1で精度と一貫性が向上し、最適化ベースラインの100倍以上の速度で逆推論を行う。 フォワードシミュレーションでは、R-GNSは強力なGNSベースラインの速度と一致し、ゴール条件付きタスクでは反復最適化を排除し、オーダー・オブ・マグニチュード・スピードアップを達成する。 目標条件付きタスクでは、R-GNSはさらに、鮮明で物理的に一貫した軌道を通して、ターゲット形状(例えば、「L」と「N」)を複雑化する能力を示している。 我々の知る限り、これは散逸流体系の前方・逆シミュレーションを統一する最初の可逆的フレームワークである。

関連論文リスト

• Continuous-Time SO(3) Forecasting with Savitzky--Golay Neural Controlled Differential Equations [51.510040541600176]
  この研究は、$SO(3)$で連続時間回転オブジェクトの力学をモデル化することを提案する。 単純化された動作仮定に依存する既存の手法とは異なり、本手法は下層の物体軌道の一般的な潜在力学系を学習する。 実世界のデータに対する実験結果から、既存の手法と比較して魅力的な予測能力が示された。
  論文  参考訳（メタデータ） (2025-06-07T12:41:50Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
  本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。 複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T05:49:16Z)
• Inverse analysis of granular flows using differentiable graph neural network simulator [1.8231854497751137]
  地すべりや土砂流などの粒状流の逆問題では, 物質パラメータや境界条件が推定される。 これらの逆問題に対する従来の高忠実性シミュレータは計算的に要求される。 グラフニューラルネットワークの逆モード自動微分と勾配に基づく最適化を組み合わせた新しい微分可能なグラフニューラルネットワークシミュレータ(GNS)を提案する。
  論文  参考訳（メタデータ） (2024-01-17T22:21:07Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Accelerating Particle and Fluid Simulations with Differentiable Graph Networks for Solving Forward and Inverse Problems [2.153852088624324]
  物理埋め込み型微分可能グラフネットワークシミュレータを用いて粒子シミュレーションと流体シミュレーションを解く。 GNSは、領域をグラフとして表現し、粒子をノードとして、相互作用をエッジとして学習する。 GNSは、並列CPUシミュレーションと比較して粒度予測の165倍の高速化を実現している。
  論文  参考訳（メタデータ） (2023-09-23T11:52:43Z)

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。