論文の概要: Neural Modular Physics for Elastic Simulation
- arxiv url: http://arxiv.org/abs/2512.15083v1
- Date: Wed, 17 Dec 2025 05:02:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-18 17:06:26.858999
- Title: Neural Modular Physics for Elastic Simulation
- Title（参考訳）: 弾性シミュレーションのためのニューラルモジュラー物理
- Authors: Yifei Li, Haixu Wu, Zeyi Xu, Tuur Stuyck, Wojciech Matusik,
- Abstract要約: 本稿では, 弾性シミュレーションのためのニューラルモジュラー物理(NMP)を提案する。
NMPは、ニューラルネットワークの近似能力と従来のシミュレータの物理的信頼性を組み合わせる。
特殊なアーキテクチャとトレーニング戦略により,計算フローをモジュール型ニューラルシミュレータに変換する。
- 参考スコア（独自算出の注目度）: 36.621915661902115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning-based methods have made significant progress in physics simulation, typically approximating dynamics with a monolithic end-to-end optimized neural network. Although these models offer an effective way to simulation, they may lose essential features compared to traditional numerical simulators, such as physical interpretability and reliability. Drawing inspiration from classical simulators that operate in a modular fashion, this paper presents Neural Modular Physics (NMP) for elastic simulation, which combines the approximation capacity of neural networks with the physical reliability of traditional simulators. Beyond the previous monolithic learning paradigm, NMP enables direct supervision of intermediate quantities and physical constraints by decomposing elastic dynamics into physically meaningful neural modules connected through intermediate physical quantities. With a specialized architecture and training strategy, our method transforms the numerical computation flow into a modular neural simulator, achieving improved physical consistency and generalizability. Experimentally, NMP demonstrates superior generalization to unseen initial conditions and resolutions, stable long-horizon simulation, better preservation of physical properties compared to other neural simulators, and greater feasibility in scenarios with unknown underlying dynamics than traditional simulators.
- Abstract（参考訳）: 学習ベースの手法は物理学シミュレーションにおいて大きな進歩を遂げており、通常はモノリシックなエンドツーエンド最適化ニューラルネットワークでダイナミクスを近似している。
これらのモデルはシミュレーションに効果的な方法を提供するが、物理的解釈可能性や信頼性といった従来の数値シミュレータと比べて重要な特徴を失う可能性がある。
本稿では,ニューラルネットワークの近似能力と従来のシミュレータの物理的信頼性を組み合わせた弾性シミュレーションのためのニューラルモジュラー物理(NMP)を提案する。
従来のモノリシックな学習パラダイムを超えて、NMPは、中間量と物理的制約の直接的な管理を可能にし、弾性力学を中間量を介して連結された物理的に意味のある神経モジュールに分解する。
特殊なアーキテクチャとトレーニング戦略により,計算フローをモジュラー型ニューラルシミュレータに変換し,物理的整合性と一般化性の向上を実現した。
実験的に、NMPは初期条件や分解能の発見に優れた一般化、安定な長期水平シミュレーション、他のニューラルシミュレータと比較して物理的特性の保存性の向上、そして従来のシミュレータよりも未知の基盤動力学を持つシナリオにおける実現可能性の向上を実証している。
関連論文リスト
- Physics-Informed Learning of Proprietary Inverter Models for Grid Dynamic Studies [0.5999777817331317]
インバータの固有動力学をエミュレートする物理インフォームドニューラル常微分方程式に基づくフレームワークを開発した。
提案手法はグリッドフォーミングインバータ (GFM) のケーススタディを用いて検証した。
論文 参考訳（メタデータ） (2025-07-21T05:48:31Z) - 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) - Neural Material Adaptor for Visual Grounding of Intrinsic Dynamics [48.99021224773799]
本稿では,既存の物理法則を学習的補正と統合するニューラルネットワーク (NeuMA) を提案する。
また,粒子駆動型3次元ガウス平滑化モデルであるParticle-GSを提案する。
論文 参考訳（メタデータ） (2024-10-10T17:43:36Z) - Conditional Generative Models for Simulation of EMG During Naturalistic
Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。
本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文 参考訳（メタデータ） (2022-11-03T14:49:02Z) - Learning to Simulate Unseen Physical Systems with Graph Neural Networks [13.202870928432045]
グラフベース物理エンジン(Graph-based Physics Engine)は,物理先行パラメータと物質パラメータを組み込んだ機械学習手法である。
我々は、GPEがトレーニングセットにない異なる特性を持つ材料に一般化できることを実証した。
さらに、モデルに運動量保存の法則を導入することにより、学習の効率性と安定性が大幅に向上する。
論文 参考訳（メタデータ） (2022-01-28T07:56:46Z)
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。