論文の概要: TRACE: Spatiotemporal Contact Memory Graph Network Simulator for Granular Dynamics

• arxiv url: http://arxiv.org/abs/2609.02991v1
• Date: Wed, 02 Sep 2026 15:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.815378
• Title: TRACE: Spatiotemporal Contact Memory Graph Network Simulator for Granular Dynamics
• Title（参考訳）: TRACE:グラニュラーダイナミクスのための時空間接触メモリグラフネットワークシミュレータ
• Abstract要約: TRACEはグラフネットワークシミュレータで、コンタクトエッジに直接インタラクション履歴を格納する。 物理構造デコーダは、粒界間正規力と接接接点接触力を予測し、クーロン摩擦限界を強制し、等対する内部力を適用する。 グラフネットワークシミュレータ (GNS) やノードメモリグラフニューラルネットワークシミュレータ (NMGNS) と比較して、TRACE はロングロールアウト位置誤差を31-62%、ファイナルデポジット誤差を58-89%削減する。
• 参考スコア（独自算出の注目度）: 11.54474779149677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned graph simulators provide an efficient alternative to high-fidelity solvers for granular dynamics. However, granular motion depends strongly on inter-granular contact history, which is difficult to preserve when particle contacts form, break, and rearrange. Existing simulators mainly store temporal information in node features or node-level memory. Here we introduce TRACE, a graph-network simulator that stores interaction history directly on contact edges. Each edge maintains a persistent memory updated by attention-based message passing and a gated recurrent unit, while an edge-identity dictionary preserves this memory as the contact graph changes. A physics-structured decoder predicts inter-granular normal and tangential contact forces, enforces the Coulomb friction limit, and applies equal-and-opposite internal forces. The model is trained with single-step pretraining followed by autoregressive rollout fine-tuning. We evaluate TRACE on 2D and 3D granular column-collapse benchmarks. In both cases, TRACE produces stable, physically consistent long-horizon rollouts, closely reproducing the final deposit geometry and the kinetic energy released during collapse. Compared with graph network simulator (GNS) and node-memory graph neural simulator (NMGNS), TRACE reduces long-rollout position error by 31-62% and final-deposit error by 58-89% across the two benchmarks, while using fewer parameters and maintaining near-zero particle interpenetration. TRACE also achieves 12.2$\times$ and 8.9$\times$ speedups over the material point method (MPM) reference solver in 2D and 3D, respectively. Our code is available at https://github.com/Data-Driven-Computational-Geotechnics/TRACE.
• Abstract（参考訳）: 学習されたグラフシミュレータは、グラニュラーダイナミクスのための高忠実度解法に代わる効率的な代替手段を提供する。 しかし、粒状運動は粒間接触履歴に強く依存しており、粒子の接触が形成、破壊、再配置される際には保存が困難である。 既存のシミュレータは主に時間情報をノード機能やノードレベルのメモリに格納する。 本稿では,対話履歴を接点に直接格納するグラフネットワークシミュレータTRACEを紹介する。 各エッジはアテンションベースのメッセージパッシングとゲートリカレントユニットによって更新された永続メモリを保持し、エッジアイデンティティ辞書はコンタクトグラフが変化するにつれてこのメモリを保存する。 物理構造デコーダは、粒界間正規力と接接接点接触力を予測し、クーロン摩擦限界を強制し、等対する内部力を適用する。 モデルは単段事前訓練と自動回帰ロールアウト微調整で訓練される。 TRACEを2Dおよび3Dグラニュラーカラム崩壊ベンチマークで評価した。 どちらの場合もTRACEは安定で物理的に一貫した長い水平ロールアウトを発生し、崩壊時に放出される最終堆積物の幾何学と運動エネルギーを密に再現する。 グラフネットワークシミュレータ (GNS) とノードメモリグラフニューラルネットワークシミュレータ (NMGNS) と比較して、TRACEは2つのベンチマークでロングロールアウト位置誤差を31～62%削減し、ファイナルデポジット誤差を58～89%削減する。 TRACEは、それぞれ2Dおよび3Dのマテリアルポイント法(MPM)参照ソルバ上での12.2$\times$と8.9$\times$のスピードアップも達成している。 私たちのコードはhttps://github.com/Data-Driven-Computational-Geotechnics/TRACEで利用可能です。

関連論文リスト

• DragMesh: Interactive 3D Generation Made Easy [12.832539752284466]
  DragMeshはリアルタイムインタラクティブな3Dコーディネーションのための堅牢なフレームワークである。 私たちのコアコントリビューションは、新しい分離されたキネマティック推論とモーションジェネレーションフレームワークです。
  論文  参考訳（メタデータ） (2025-12-06T13:10:44Z)
• GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation [57.8059956428009]
  2次元視覚言語モデルから3次元セマンティックセグメンテーションへ機能を移行しようとする最近の試みは、永続的なトレードオフを露呈している。 3次元教師モデルから抽出した幾何学的事前情報を用いて2次元VLM生成した3次元点特徴に小さな学生親和性ネットワークを適用したGeoPurifyを提案する。 遅延幾何学情報と学習された親和性ネットワークから恩恵を受けることで、GeoPurifyはトレードオフを効果的に軽減し、優れたデータ効率を実現する。
  論文  参考訳（メタデータ） (2025-10-02T16:37:56Z)
• Event-based Graph Representation with Spatial and Motion Vectors for Asynchronous Object Detection [20.537672896807063]
  イベントベースのセンサは、高時間分解能と不規則レイテンシを提供する。 このデータを高密度テンソルに変換することで、標準的なニューラルネットワークでの使用は、これらの固有の利点を減らします。 本稿では,空間構造と時間的変化をよりよく捉えるために,新しい多面的表現を提案する。
  論文  参考訳（メタデータ） (2025-07-20T23:02:23Z)
• A Batch-Insensitive Dynamic GNN Approach to Address Temporal Discontinuity in Graph Streams [4.234842954797706]
  大規模なバッチでトレーニングされたメモリグラフニューラルネットワーク(MDGNN)は、イベントシーケンスを中断することが多い。 BadGNNは、(1)時間リプシッツ規則化(TLR)と(2)適応注意調整(A3)の2つのコアコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-06-24T03:31:43Z)
• ST-GraphNet: A Spatio-Temporal Graph Neural Network for Understanding and Predicting Automated Vehicle Crash Severity [0.0]
  詳細な空間グラフを用いて,自動走行車(AV)の重大度をモデル化し,予測するためのグラフニューラルネットワークフレームワークST-GraphNetを紹介する。 提案したST-GraphNetは97.74%の精度を達成し、最もきめ細かいモデル(64.7%のテスト精度)を大幅に上回っている。
  論文  参考訳（メタデータ） (2025-06-09T01:42:19Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs [19.1312659245072]
  我々は,データ駆動型離散化不変フレームワークであるGIOROMについて,低次モデリング(ROM)によるラグランジアンシミュレーションを高速化する。 我々は、PDEソリューション演算子のデータ駆動グラフに基づくニューラル近似を利用する。 GIOROMは6.6$times$-32$times$の入力次元の縮小を実現し、多様なラグランジアン体制における高忠実度再構成を維持している。
  論文  参考訳（メタデータ） (2024-07-04T13:37:26Z)
• TrajectoryFormer: 3D Object Tracking Transformer with Predictive Trajectory Hypotheses [51.60422927416087]
  3Dマルチオブジェクトトラッキング(MOT)は、自律走行車やサービスロボットを含む多くのアプリケーションにとって不可欠である。 本稿では,新しいポイントクラウドベースの3DMOTフレームワークであるTrjectoryFormerを紹介する。
  論文  参考訳（メタデータ） (2023-06-09T13:31:50Z)
• Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
  本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。 まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。 センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
  論文  参考訳（メタデータ） (2023-02-24T22:14:39Z)
• PolarMOT: How Far Can Geometric Relations Take Us in 3D Multi-Object Tracking? [62.997667081978825]
  グラフのノードとして3D検出を符号化し、グラフエッジ上の局所極座標を用いてオブジェクト間の空間的および時間的対関係を符号化する。 これにより、グラフニューラルネットワークは、時間的および空間的相互作用を効果的に符号化することができる。 我々はnuScenesデータセット上に新しい最先端のデータセットを構築し、さらに重要なことに、私たちの手法であるPolarMOTが、異なる場所にわたって驚くほどよく一般化されていることを示す。
  論文  参考訳（メタデータ） (2022-08-03T10:06:56Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• TransMOT: Spatial-Temporal Graph Transformer for Multiple Object Tracking [74.82415271960315]
  映像内の物体間の空間的・時間的相互作用を効率的にモデル化するソリューションであるTransMOTを提案する。 TransMOTは従来のTransformerよりも計算効率が高いだけでなく、トラッキング精度も向上している。 提案手法は、MOT15、MOT16、MOT17、MOT20を含む複数のベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-04-01T01:49:05Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)

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。