粒子模拟的可扩展图网络
本研究提出了一种基于图神经网络的模拟器框架,通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象,模型从单一粒子预测到测试时的数千个粒子,并且能够处理不同的初始条件和数万个时间步骤,具有较强的可靠性与预测能力。
Feb, 2020
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
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
本次调查论述了机器学习在物理系统建模中的发展趋势,重点介绍了图神经网络加速和基于粒子的方法的发展轨迹,并探讨了一些未被应用于现阶段机器学习方法的模拟方法,这些方法有可能使机器学习方法更准确,更高效。最后,论文展望了这些方法对于科学的机器学习模型提高效率的潜力。
Mar, 2023
利用自监督神经网络模型从观察到的轨迹数据中恢复相互作用网络并预测个体动力学的研究,应用于耦合粒子和耦合振荡器(Kuramoto)的两个动力系统。
Oct, 2023
我们提出了一种新的方案,用于补偿宇宙 N 体模拟中 Particle-Mesh 算法的小尺度近似,该方案通过在模拟微分方程中引入附加的有效力来提高它们的准确性,该有效力是由作用于 PM 估计的引力势的傅立叶空间神经网络参数化得到的。我们将获得的物质功率谱与 PGD 方案(梯度下降算法)的结果进行了比较,发现我们的方法在交叉相关系数方面表现更好,对于模拟设置的更改更为稳健。
Jul, 2022
该研究提出了一个新的概率方法进行关系推断,使用基于物理的图神经网络来学习物理一致的两两粒子之间的相互作用,具有数据效率和泛化到大系统的能力,并能够比现有方法准确地推断相互作用类型,是发现宏观粒子系统机械性质的基本规律的关键元素。
Apr, 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