論文の概要: DiffPhD: A Unified Differentiable Solver for Projective Heterogeneous Materials in Elastodynamics with Contact-Rich GPU-Acceleration
- arxiv url: http://arxiv.org/abs/2605.14526v1
- Date: Thu, 14 May 2026 08:09:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.70452
- Title: DiffPhD: A Unified Differentiable Solver for Projective Heterogeneous Materials in Elastodynamics with Contact-Rich GPU-Acceleration
- Title（参考訳）: DiffPhD:接触リッチGPU加速を用いた弾塑性における射影不均一物質の統一微分解法
- Authors: Shih-Yu Lai, Sung-Han Tien, Jui-I Huang, Yen-Chen Tseng, Yi-Ting Chiu, Siyuan Luo, Ziqiu Zeng, Fan Shi, Peter Yichen Chen, Tiantian Liu, Yu-Lun Liu, Bing-Yu Chen,
- Abstract要約: ソフトボディの微分可能シミュレーションは、システム同定、軌道最適化、およびReal2Sim転送の基礎となる。
しかし、微分射影ダイナミクス(DiffPD)のような既存の手法は、異種材料に直面すると苦労する。
異種材料のためのGPU加速微分可能射影ダイナミクスフレームワークであるDiffPhDを提案する。
- 参考スコア（独自算出の注目度）: 16.1130724792988
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Differentiable simulation of soft bodies is a foundation for system identification, trajectory optimization, and Real2Sim transfer. Yet, existing methods such as the differentiable Projective Dynamics (DiffPD) struggle when faced with heterogeneous materials with extreme stiffness contrasts, hyperelasticity under large deformations, and contact-rich interactions, which are common scenarios in the real world. We present DiffPhD, a unified GPU-accelerated differentiable Projective Dynamics framework for heterogeneous materials that tackles these intertwined challenges simultaneously. Our key insight is a careful integration of: (i) stiffness-aware projective weights to embed heterogeneity into the global system; (ii) trust-region eigenvalue filtering lifted to the backward pass for stable hyperelastic gradients and a type-II Anderson Acceleration scheme with dual-gate convergence to stabilize forward iteration under large stiffness contrasts; and (iii) a unified GPU pipeline that reuses a single sparse factor across forward, backward, and contact computations, with stiffness-amplified Rayleigh damping folded into the same factor for heterogeneity-aware dissipation at zero recurring cost. DiffPhD achieves strict gradient accuracy while delivering up to an order-of-magnitude speedup over prior differentiable solvers on heterogeneous, hyperelastic, contact-rich benchmarks. Crucially, this speedup does not come at the cost of stability: DiffPhD remains convergent on stiffness contrasts up to 100x where prior PD solvers degrade. This unlocks end-to-end gradient-based optimization on regimes previously bottlenecked by either solver fragility or per-iteration cost -- shell--joint composite creatures, soft characters wielding stiff weapons, and soft-gripper robotic manipulation -- all handled within a single forward--backward pass.
- Abstract（参考訳）: ソフトボディの微分可能シミュレーションは、システム同定、軌道最適化、およびReal2Sim転送の基礎となる。
しかし、微分可能射影ダイナミクス(DiffPD)のような既存の手法は、極端な剛性コントラストを持つ異種材料、大きな変形下での超弾性、そして実世界の一般的なシナリオである接触豊富な相互作用に直面する際に苦労する。
DiffPhDは、GPUが加速する異種材料のための統一的な微分可能射影ダイナミクスフレームワークであり、これらを同時に取り組んだ課題に対処する。
私たちの重要な洞察は、注意深い統合です。
(i)グローバルシステムに不均一性を埋め込む剛性対応射影重量
二 安定超弾性勾配の後方通過に昇降した信頼領域固有値フィルタリング及び二ゲート収束型IIアンダーソン加速方式により、大きな剛性コントラスト下での前方反復を安定化させる。
3) 1つのスパース係数を前方、後方、および接触計算で再利用する統一GPUパイプラインで、剛性増幅されたレイリー減衰は、繰り返しコストゼロで不均一性を考慮した散逸と同じ因子に折り畳まれる。
DiffPhDは、不均一で超弾性でコンタクトリッチなベンチマーク上で、事前の微分可能解法よりも高次精度を達成しつつ、厳密な勾配精度を達成する。
重要なことに、このスピードアップは安定性の犠牲にはならない: DiffPhDは、以前のPDソルバが劣化する100倍の硬さのコントラストに収束し続けている。
これは、かつて解決器の脆弱性や、殻と結合する複合生物、柔らかいキャラクターが固い武器を振り回し、ソフトグリッパーのロボット操作によってボトルネックになったレジームの、エンドツーエンドの勾配に基づく最適化を、すべて前向きのパスで処理する。
関連論文リスト
- Better with Less: Tackling Heterogeneous Multi-Modal Image Joint Pretraining via Conditioned and Degraded Masked Autoencoder [34.73963627819185]
高分解能光合成開口レーダ(SAR)プレトレーニングは、単一ソース表現を相互に強化するために、モダリティの相乗効果を求める。
我々は、アライメントの少ないテキスト・ベッター・シナジーの先駆者であるCoDe-MAEを提案する。
CoDe-MAEは、表現の劣化を防ぎ、多様な単一および双方向の下流タスクにまたがる新しい最先端のパフォーマンスを確立する。
論文 参考訳（メタデータ） (2026-04-18T10:23:00Z) - Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。
FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。
我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
論文 参考訳（メタデータ） (2026-03-30T11:37:46Z) - Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。
ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。
本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T07:38:55Z) - GraspADMM: Improving Dexterous Grasp Synthesis via ADMM Optimization [31.34069902255588]
本稿では,新しいグリップ合成フレームワークであるGraspADMMを提案する。
サンプリングベースの多様性を保ちつつ、運動可能性と動的安定性を改善している。
本手法は, 極低摩擦条件下においても, 頑健で, 物理的に安定なグリップ生成を維持できる。
論文 参考訳（メタデータ） (2026-03-14T08:32:13Z) - Data-Free PINNs for Compressible Flows: Mitigating Spectral Bias and Gradient Pathologies via Mach-Guided Scaling and Hybrid Convolutions [0.0]
本稿では,圧縮不能なインビシッドフローを解くことができる完全データフリーな物理情報ニューラルネットワーク(PINN)を提案する。
提案するフレームワークは,参照データなしで離弓衝撃を捕捉する。
論文 参考訳（メタデータ） (2026-03-01T09:04:18Z) - i-PhysGaussian: Implicit Physical Simulation for 3D Gaussian Splatting [60.46736489360263]
i-PhysGaussian は 3D Gaussian Splatting (3DGS) と暗黙のMaterial Point Method (MPM) を結合するフレームワークである。
明示的な方法とは異なり、我々の解は運動量-平衡残差を最小化することでステップの終了状態を得る。
結果は、i-PhysGaussianは明示的なベースラインよりも最大20倍の時間ステップで安定性を維持することを示した。
論文 参考訳（メタデータ） (2026-02-19T06:38:35Z) - System Identification under Constraints and Disturbance: A Bayesian Estimation Approach [5.58001571731715]
本稿では,ロボットの状態軌跡と物理パラメータを高精度に推定するためのベイズシステム同定(SysID)フレームワークを提案する。
物理的に一貫した逆ダイナミクス、接触とループ閉鎖の制約を組み込んでおり、関節摩擦モデルを完全にハードでステージワイドな等式制約として特徴付ける。
論文 参考訳（メタデータ） (2026-02-18T10:45:30Z) - HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
イベントカメラは例外的な時間分解能と範囲(モード)を提供する
RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
論文 参考訳（メタデータ） (2025-10-22T13:15:13Z) - The Vanishing Gradient Problem for Stiff Neural Differential Equations [3.941173292703699]
強靭なシステムでは、高速脱着モードを制御するパラメータに対する感度が訓練中に著しく小さくなることが観察されている。
ここでは, この勾配の消失現象は, 特定の手法の人工物ではなく, A-stable および L-stable の厳密な数値積分スキームの普遍的な特徴であることを示す。
論文 参考訳（メタデータ） (2025-08-02T23:44:14Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z)
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。