論文の概要: Continuous-Time Cloth Dynamics with Physics-Informed Neural ODEs

• arxiv url: http://arxiv.org/abs/2610.14342v1
• Date: Fri, 09 Oct 2026 21:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:03:08.926986
• Title: Continuous-Time Cloth Dynamics with Physics-Informed Neural ODEs
• Title（参考訳）: 物理インフォームドニューラルネットワークによる連続時間布のダイナミクス
• Abstract要約: ContinuousClothは、変形可能な布のダイナミックスのための、連続時間、物理インフォームド・ニューラルモデルである。 神経軌道モデル内にバネ質量ODEを強制する。
• 参考スコア（独自算出の注目度）: 5.576460160219607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present ContinuousCloth, a continuous-time, physics-informed neural solver for deformable cloth dynamics that enforces a spring--mass ODE within a neural trajectory model. Unlike classical time-stepping simulators that return trajectories only on a discrete integration grid, ContinuousCloth supports querying at arbitrary timestamps and computing displacement, velocity, and acceleration via automatic differentiation. We evaluate ContinuousCloth along two dimensions. In a physics-only setting, ContinuousCloth achieves trajectory accuracy comparable to high-precision solvers across six diverse boundary-condition scenarios while reducing runtime by up to 17.4 times. When fused with sparse and noisy observations, the spring--mass ODE acts as a strong inductive bias for downstream tasks: interpolation and parameter estimation. That is, ContinuousCloth reduces interpolation error by 7.3 times over a data-only neural baseline in simulation and 2.4 times on real-world cloth sequences, and achieves 2.6 times lower parameter error than a differentiable-solver baseline under high-noise conditions, demonstrating consistent robustness under realistic measurement imperfections.
• Abstract（参考訳）: ニューラルトラジェクトリーモデル内にバネ質量ODEを強制する変形可能な布動力学のための連続時間物理インフォームニューラルソルバであるContinualClothを提案する。 離散的な統合グリッド上でのみトラジェクトリを返す古典的なタイムステッピングシミュレータとは異なり、ContinualClothは任意のタイムスタンプでのクエリをサポートし、自動微分による計算の変位、速度、加速度をサポートする。 連続クロスを2次元で評価する。 物理学のみの環境では、ContinuousClothは6つの境界条件シナリオにわたる高精度な解決器に匹敵する軌道精度を達成し、ランタイムを最大17.4倍削減する。 スパースとノイズの観測で融合すると、スプリング質量ODEは補間とパラメータ推定という下流のタスクに対して強い帰納バイアスとなる。 すなわち、ContinuousClothは、シミュレーションにおいてデータのみのニューラルネットワーク上での補間誤差を7.3倍、実世界の布のシーケンスで2.4倍、高ノイズ条件下での微分可解基線でのパラメータ誤差を2.6倍減らし、現実的な測定不完全性の下で一貫した堅牢性を示す。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Emulating Cosmic Structure Formation with a Lagrangian Neural Cellular Automaton [0.0]
  本研究では,共振格子上の局所的反復的動的過程として構造形成に適用可能なハイブリッドディープラーニングフレームワークを提案する。 非線型物理学の高忠実なエミュレーションを実現するため,Zeldovich近似のテクスチレンス変位補正のみを学習するようにネットワークを訓練する。 トレーニングされたモデルでは、パワーとクロススペクトルのパーセンテージレベルの精度を非線形状態によくサポートしています。
  論文  参考訳（メタデータ） (2026-07-29T18:00:01Z)
• Spatio-Temporal Prediction of Unsteady Airfoil Aerodynamics Using Augmented Graph Neural Ordinary Differential Equations with Exogenous Controls [0.0]
  本稿では,GNNと拡張ニューラル正規微分方程式を組み合わせることで,投球翼の表面力の時間的安定な予測が得られることを示す。 GNODEと呼ばれる我々の手法は、自己回帰GNNベースラインよりも時間的に安定し、空間的に滑らかで、全体としてより正確な結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2026-07-17T14:21:37Z)
• A Shortcut to Statistically Steady-State Turbulence with Flow Matching [18.320829792574738]
  本稿では,5次元位相空間におけるジャイロ運動乱流の定常統計を直接推定する潜在生成モデルであるGyroFlowを紹介する。 生成品質を評価するために,事前学習されたジャイロキネティックモデルの潜在空間で計算された分布計量FGyDを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:58:13Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Sparse-to-Field Reconstruction via Stochastic Neural Dynamic Mode Decomposition [12.812771670043212]
  風力場や海流のような現実世界のシステムの多くは、動的でモデル化が難しい。 動的モード分解(DMD)は、単純でデータ駆動の近似を提供するが、実用性はスパース/ノイズの観測によって制限される。 DMDの確率的拡張であるNODE-DMDを導入する。
  論文  参考訳（メタデータ） (2025-11-25T18:39:50Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• 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)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。