論文の概要: PhySPRING: Structure-Preserving Reduction of Physics-Informed Twins via GNN

• arxiv url: http://arxiv.org/abs/2605.07687v1
• Date: Fri, 08 May 2026 12:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.05263
• Title: PhySPRING: Structure-Preserving Reduction of Physics-Informed Twins via GNN
• Title（参考訳）: PhySPRING:GNNによる物理インフォームド双生児の構造保存
• Authors: Yixiong Jing, Xingyuan Chen, Guangming Wang, Olaf Wysocki, Haibing Wu, Brian Sheil,
• Abstract要約: 本稿では,春期デジタル双生児の複雑性を低減するため,異なるGNNに基づくPhySPRingを提案する。 PhysTwinベンチマークでは、PhysTwin上での密度再構成と予測精度を改善している。 また、Real2Simロボットポリシー評価パイプラインにおけるPhySPRingの有効性を示す。
• 参考スコア（独自算出の注目度）: 9.28876902600417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-based digital twins aim to predict the dynamics of real-world objects under interaction, enabling real-to-sim-to-real applications in robotics. Current approaches reconstruct such twins as explicit physical models (such as spring-mass systems) to predict the dynamics, but the resulting models often inherit the resolution of the visual reconstruction rather than being reduced to the physical complexity required to reproduce task-relevant dynamics. This mismatch introduces redundant topology, making repeated forward-dynamics rollouts unnecessarily expensive. To address this challenge, we present PhySPRING, an fully differentiable GNN-based method to reduce complexity in spring--mass digital twins. PhySPRING jointly learns a hierarchy of coarsened graph topologies and their mechanical parameters from observations. At each reduction level, PhySPRING merges nodes with similar learned dynamic responses to optimize the topology, while maintaining every reduced layer as an explicit spring--mass system. On the PhysTwin benchmark, PhySPRING improves dense reconstruction and prediction accuracy over PhysTwin, while reduced models retain stable physical and visual fidelity with up to a 2.30 times speed-up. We further demonstrate the effectiveness of PhySPRING in a Real2Sim robot policy-evaluation pipeline, where the reduced models are substituted zero-shot into ACT and $π_0$ evaluations, maintaining comparable manipulation success rates across downsampling levels while improving action-sampling effectiveness. Together, PhySPRING enables efficient and structure-preserving spring--mass reduction without sacrificing fidelity or robotic utility.
• Abstract（参考訳）: 物理ベースのデジタルツインは、相互作用中の現実世界の物体のダイナミクスを予測することを目的としており、ロボット工学における実物から実物への応用を可能にしている。 現在のアプローチでは、これらの双対を明示的な物理モデル(スプリング質量系など)として再構成してダイナミクスを予測するが、結果として得られるモデルは、タスク関連力学を再現するために必要な物理的複雑さに還元されるのではなく、視覚的再構成の解決を継承することが多い。 このミスマッチは冗長トポロジを導入し、フォワードダイナミックスのロールアウトが不要に高価になる。 この課題に対処するため、春期デジタル双生児の複雑さを軽減するために、完全に微分可能なGNNベースのPhySPRINGを提案する。PhySPRINGは、粗いグラフトポロジとそれらの力学的パラメータの階層構造を観測から共同で学習する。各還元レベルにおいて、PhySPRINGは、同様の動的応答を持つノードをマージして、トポロジを最適化し、各レイヤを明示的なスプリングマスシステムとして維持する。 PhysTwinのベンチマークでは、PhysPRingはPhysTwinの高密度な再構成と予測精度を改善し、縮小されたモデルは最大2.30倍の速度で安定した物理的および視覚的忠実性を維持する。 さらに、FhySPRINGの有効性をReal2Simロボットポリシー評価パイプラインで実証し、削減されたモデルをACTとπ_0$評価に置き換え、ダウンサンプリングレベルに匹敵する操作成功率を維持しつつ、アクションサンプリングの有効性を改善した。 同時に、PhySPRingは、忠実さやロボティクスを犠牲にすることなく、効率的で構造的なバネを保存できる。

関連論文リスト

• STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching [2.5845893156827158]
  本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。 本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。 その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
  論文  参考訳（メタデータ） (2026-03-09T15:15:21Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Recovering implicit physics model under real-world constraints [6.2178318166123185]
  実世界のデータから物理力学の基盤モデルを復元するために,新しい液相定数ニューラルネットワーク(LTC-NN)アーキテクチャを提案する。 LTC-NNアーキテクチャは、最先端スパースモデル回復アプローチよりも暗黙の物理モデル係数を復元する上でより正確である。
  論文  参考訳（メタデータ） (2024-12-03T07:11:21Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Physics informed machine learning with Smoothed Particle Hydrodynamics: Hierarchy of reduced Lagrangian models of turbulence [0.6542219246821327]
  この原稿は乱流に対するパラメータ化還元ラグランジアンモデルの階層を構築している。 Smoothed Particle Hydrodynamics (SPH) を通した物理的構造を、普遍関数近似器としてニューラルネットワーク(NN)に依存することによる影響について検討する。
  論文  参考訳（メタデータ） (2021-10-25T22:57:40Z)

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。