論文の概要: MeshGraphNet-Transformer: Scalable Mesh-based Learned Simulation for Solid Mechanics

• arxiv url: http://arxiv.org/abs/2601.23177v3
• Date: Thu, 05 Feb 2026 10:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 14:11:23.815598
• Title: MeshGraphNet-Transformer: Scalable Mesh-based Learned Simulation for Solid Mechanics
• Title（参考訳）: MeshGraphNet-Transformer: ソリッドメカニクスのためのスケーラブルなメッシュベース学習シミュレーション
• Authors: Mikel M. Iparraguirre, Iciar Alfaro, David Gonzalez, Elias Cueto,
• Abstract要約: MeshGraphNet-Transformer(MGN-T)は,Transformerのグローバルモデリング機能とMeshGraphNetの幾何学的帰納バイアスを組み合わせた新しいアーキテクチャである。 MGN-Tは、大規模な高解像度メッシュ上での反復メッセージパッシングによる非効率な長距離情報伝搬である標準MGNの重要な制限を克服する。 我々は,MGN-Tが産業規模のメッシュの衝撃力学をうまく処理できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present MeshGraphNet-Transformer (MGN-T), a novel architecture that combines the global modeling capabilities of Transformers with the geometric inductive bias of MeshGraphNets, while preserving a mesh-based graph representation. MGN-T overcomes a key limitation of standard MGN, the inefficient long-range information propagation caused by iterative message passing on large, high-resolution meshes. A physics-attention Transformer serves as a global processor, updating all nodal states simultaneously while explicitly retaining node and edge attributes. By directly capturing long-range physical interactions, MGN-T eliminates the need for deep message-passing stacks or hierarchical, coarsened meshes, enabling efficient learning on high-resolution meshes with varying geometries, topologies, and boundary conditions at an industrial scale. We demonstrate that MGN-T successfully handles industrial-scale meshes for impact dynamics, a setting in which standard MGN fails due message-passing under-reaching. The method accurately models self-contact, plasticity, and multivariate outputs, including internal, phenomenological plastic variables. Moreover, MGN-T outperforms state-of-the-art approaches on classical benchmarks, achieving higher accuracy while maintaining practical efficiency, using only a fraction of the parameters required by competing baselines.
• Abstract（参考訳）: 我々は、メッシュベースのグラフ表現を保存しながら、トランスフォーマーのグローバルモデリング能力とメッシュグラフネットの幾何学的帰納バイアスを組み合わせた新しいアーキテクチャであるMeshGraphNet-Transformer(MGN-T)を提案する。 MGN-Tは、大規模な高解像度メッシュ上での反復メッセージパッシングによる非効率な長距離情報伝搬である標準MGNの重要な制限を克服する。 物理アテンション変換器はグローバルプロセッサとして機能し、ノード属性とエッジ属性を明示的に保持しながら、すべての結節状態を同時に更新する。 MGN-Tは、長距離の物理的相互作用を直接キャプチャすることで、深いメッセージパッシングスタックや階層的で粗いメッシュの必要性を排除し、様々なジオメトリ、トポロジ、境界条件を産業規模で効率的に学習することができる。 我々は,MGN-Tが産業規模のメッシュの衝撃力学をうまく処理できることを実証した。 この方法は、内部、現象学的プラスチック変数を含む自己接触、可塑性、多変量出力を正確にモデル化する。 さらに、MGN-Tは従来のベンチマークにおける最先端のアプローチよりも優れており、競合するベースラインによって要求されるパラメータのごく一部を使用して、実用的な効率を維持しながら高い精度を実現している。

関連論文リスト

• GEM+: Scalable State-of-the-Art Private Synthetic Data with Generator Networks [9.432150710329607]
  本稿では,AIMの適応計測フレームワークとGEMのスケーラブルなジェネレータネットワークを統合したGEM+を紹介する。 実験の結果,GEM+はAIMよりも実用性とスケーラビリティに優れ,最先端の成果が得られていることがわかった。
  論文  参考訳（メタデータ） (2025-11-12T19:18:43Z)
• Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
  高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。 本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2025-07-25T12:19:57Z)
• AMBER: Adaptive Mesh Generation by Iterative Mesh Resolution Prediction [48.72179728638418]
  本稿では,メッシュ適応のための教師あり学習手法であるAMBER(Adaptive Meshing By Expert Reconstruction)を提案する。 AMBERは、サイズフィールドを反復的に予測し、この予測を使用して、アウト・オブ・ザ・ボックスメッシュジェネレータを使用して、新しい中間メッシュを生成する。 AMBERを2次元および3次元の幾何学、古典物理学問題を含むデータセット、機械部品、人間の専門家メッシュを用いた実世界の産業デザインで評価する。
  論文  参考訳（メタデータ） (2025-05-29T17:10:44Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Extended Short- and Long-Range Mesh Learning for Fast and Generalized Garment Simulation [15.769706073808031]
  3次元衣料シミュレーションは、布ベースのグラフィックを作る上で重要な要素である。 グラフニューラルネットワーク(GNN)の最近の進歩は、効率的な衣服シミュレーションに有望なアプローチを提供する。 我々は、最小限のオーバーヘッドでメッセージパス範囲を拡張するために、2つの重要なコンポーネントを持つ新しいGNNベースのメッシュ学習フレームワークを考案した。
  論文  参考訳（メタデータ） (2025-04-16T04:56:01Z)
• Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
  本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。 ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。 複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
  論文  参考訳（メタデータ） (2025-04-02T05:50:19Z)
• Scalable Message Passing Neural Networks: No Need for Attention in Large Graph Representation Learning [15.317501970096743]
  我々は、標準畳み込みメッセージパッシングを注意の代わりにプレ層正規化トランスフォーマースタイルのブロックに統合することにより、高性能なディープメッセージパッシングベースグラフニューラルネットワーク(GNN)を実現できることを示す。 結果は、大グラフトランスダクティブ学習における最先端の最先端と競合するが、それ以外は計算的かつメモリ拡張的な注意機構を必要としない。
  論文  参考訳（メタデータ） (2024-10-29T17:18:43Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)

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。