利用图网络学习模拟复杂物理现象
利用最近的贝叶斯元学习方法将网格模拟作为元学习问题来处理,通过利用上下文数据和处理不确定性来提高图网络模拟器对新场景的适应性,结合运动原语实现高效的全轨迹预测,并验证了该方法的有效性。
Nov, 2023
该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器,称为 GNS。该模型在训练中考虑了不同颗粒轨迹,并且在测试中展现了优秀的性能,可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。
May, 2023
使用图神经网络开发了基于 GNN 的 granular flows 模拟器(GNS),成功复现了各种纵横比的柱体崩塌的整体行为,并且计算速度比高保真数值模拟器快 300 倍。
Nov, 2023
利用物理嵌入可微分图网络模拟器(GNS)来加速颗粒和流体模拟,解决正向和反向问题,并通过 GNS / 材料点方法(MPM)提出了一种新的混合方法,以加速正向模拟并解决反向问题。
Sep, 2023
本文提出了一种新颖的基于学习的模拟模型 - GNSTODE,以特征化通过统一的端到端框架来描述耦合粒子系统中的空间和时间依赖关系。通过对真实世界中的粒子相互作用观察进行训练,GNSTODE 能够精确地模拟任何可能的粒子系统。评估结果表明,所提出的 GNSTODE 比最先进的基于学习的模拟方法产生更好的模拟结果,并且可以作为处理实际应用中物理模拟问题的有效解决方案。
May, 2023
本文介绍了一个基于约束的机器学习模拟框架,使用图神经网络实现约束函数,并通过求解优化问题计算未来预测,可应用于多种具有挑战性的物理领域,提供了传统模拟和数值方法的归纳偏差。
Dec, 2021
本文提出了一种新颖的基础方法,称为 Subequivariant Graph Neural Network,并解决了在物理动力学中如何将物理定律所包含的对称性协同模型设计以及模型如何处理物理世界中不同形状、尺寸和属性的物体等问题。该模型在 8 个场景的 Physion 数据集中,平均接触预测准确率有超过 3%的提高,在 RigidFall 数据集中有 2 倍的低回滚均方误差,并展现出强大的泛化能力和数据效率。
Oct, 2022
MultiScaleGNN 是一种新型的多尺度图神经网络模型,用于学习推断非稳态连续力学,可以推断具有不同尺度空间分辨率的系统状态,推断速度比传统方法快两至四个数量级。
Jun, 2021
准确模拟真实世界物体动态对于机器人、工程、图形和设计等各种应用至关重要。我们提出了一种减少运行基于图网络的学习模拟器所需内存的方法。基于这种内存高效的模拟模型,我们提供了一种感知界面,以可编辑的 NeRFs 形式将真实世界场景转换为图网络模拟器可以处理的结构化表示。我们展示了我们的方法使用的内存远远少于以前基于图网络的模拟器同时保持其准确性,并且合成环境中学习的模拟器可以应用于从多个摄像机角度捕捉的真实世界场景,从而扩展了学习模拟器在仅在推断时有感知信息的设置中的应用。
Jan, 2024