論文の概要: STDDN: A Physics-Guided Deep Learning Framework for Crowd Simulation

• arxiv url: http://arxiv.org/abs/2604.02756v1
• Date: Fri, 03 Apr 2026 06:06:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.341015
• Title: STDDN: A Physics-Guided Deep Learning Framework for Crowd Simulation
• Title（参考訳）: STDDN: 群衆シミュレーションのための物理ガイド付きディープラーニングフレームワーク
• Authors: Zijin Liu, Xu Geng, Wenshuai Xu, Xiang Zhao, Yan Xia, You Song,
• Abstract要約: 本稿では,微視的軌道予測をマクロ物理学で導く新しい枠組みを提案する。 ニューラル正規微分方程式は、個々の運動によって駆動されるマクロ密度の進化をモデル化するために用いられる。 提案手法は, 長期タスクにおける最先端手法と比較して, シミュレーション性能に優れていた。
• 参考スコア（独自算出の注目度）: 13.228132733021376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate crowd simulation is crucial for public safety management, emergency evacuation planning, and intelligent transportation systems. However, existing methods, which typically model crowds as a collection of independent individual trajectories, are limited in their ability to capture macroscopic physical laws. This microscopic approach often leads to error accumulation and compromises simulation stability. Furthermore, deep learning-driven methods tend to suffer from low inference efficiency and high computational overhead, making them impractical for large-scale, efficient simulations. To address these challenges, we propose the Spatio-Temporal Decoupled Differential Equation Network (STDDN), a novel framework that guides microscopic trajectory prediction with macroscopic physics. We innovatively introduce the continuity equation from fluid dynamics as a strong physical constraint. A Neural Ordinary Differential Equation (Neural ODE) is employed to model the macroscopic density evolution driven by individual movements, thereby physically regularizing the microscopic trajectory prediction model. We design a density-velocity coupled dynamic graph learning module to formulate the derivative of the density field within the Neural ODE, effectively mitigating error accumulation. We also propose a differentiable density mapping module to eliminate discontinuous gradients caused by discretization and introduce a cross-grid detection module to accurately model the impact of individual cross-grid movements on local density changes. The proposed STDDN method has demonstrated significantly superior simulation performance compared to state-of-the-art methods on long-term tasks across four real-world datasets, as well as a major reduction in inference latency.
• Abstract（参考訳）: 正確な群衆シミュレーションは、公共の安全管理、緊急避難計画、インテリジェント交通システムに不可欠である。 しかしながら、群衆を独立した個々の軌道の集合体としてモデル化する既存の手法は、マクロな物理法則を捉える能力に制限がある。 この顕微鏡的アプローチは、しばしばエラーの蓄積を招き、シミュレーションの安定性を損なう。 さらに、ディープラーニング駆動の手法は推論効率の低下と計算オーバーヘッドの増大に悩まされがちであり、大規模で効率的なシミュレーションでは実用的ではない。 これらの課題に対処するために、マクロ物理学による微視的軌道予測を導く新しいフレームワークであるSTDDN(Spatio-Temporal Decoupled Differential Equation Network)を提案する。 流体力学から連続性方程式を強い物理的制約として革新的に導入する。 ニューラル・オーディショナル微分方程式(Neural Ordinary Differential Equation,Neural ODE)を用いて、個々の運動によって引き起こされるマクロ密度の進化をモデル化し、これにより、微視的軌道予測モデルを物理的に正則化する。 我々は,ニューラルネットワーク内の密度場の微分を定式化するために,密度-速度結合型動的グラフ学習モジュールを設計し,エラーの蓄積を効果的に軽減する。 また,離散化による不連続勾配を解消し,局所密度変化に対する個々のクロスグリッド運動の影響を正確にモデル化するクロスグリッド検出モジュールを提案する。 提案手法は,4つの実世界のデータセットにまたがる長期タスクにおける最先端の手法と比較して,シミュレーション性能が大幅に向上し,推論遅延が大幅に低減された。

関連論文リスト

• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models [6.403678133359229]
  高次元記録における潜伏力学は、しばしばより小さな有効変数の集合によって特徴づけられる。 ほとんどの機械学習アプローチは、動的一貫性を強制するモデルとともにオートエンコーダをトレーニングすることで、これらのタスクに共同で取り組む。 我々は最近導入されたファンデーション推論モデル(FIM)を利用して2つの問題を分離することを提案する。 半円拡散を合成ビデオデータに埋め込んだ二重井戸系における概念実証は、高速で再利用可能な粗粒化パイプラインに対するこのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2025-10-14T15:17:23Z)
• Breaking the Discretization Barrier of Continuous Physics Simulation Learning [16.740327071700268]
  本研究では、部分的な観測から連続物理シミュレーションをモデル化する純粋にデータ駆動方式を提案する。 具体的には,空間情報と対応する観測情報を融合して符号化するために,乗法フィルタネットワークを用いる。 我々は、幾何学的グリッドをカスタマイズし、メッセージパッシング機構を使用して、元の空間領域からカスタマイズされたグリッドに特徴をマッピングする。
  論文  参考訳（メタデータ） (2025-09-22T16:10:58Z)
• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• A data-driven peridynamic continuum model for upscaling molecular dynamics [3.1196544696082613]
  分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。 我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。 このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
  論文  参考訳（メタデータ） (2021-08-04T07:07:47Z)

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。