Oct, 2022

基于热力学的神经网络用于物理现实混合现实

PDF
TL;DR本文介绍了一种基于深度学习的方法，用于计算混合现实中用户实时交互引起的（可能是非线性和耗散性的）可变形物体的动态响应，以保证虚拟世界的正确性和真实性。两个具体示例证明了该方法的高效性。
immersive technologiesphysics simulationvirtual worldsdeep learningmixed reality
发现论文，激发创造
  • 3D-PhysNet: 学习非刚性对象变形的直观物理

    本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。

    Apr, 2018

  • 利用变形感知神经网络生成液体模拟

    提出了一种新颖的变形感知神经网络方法，用于学习密集体积变形场的加权合成，特别针对液体模拟的时空表征，成功地实现了实时流体效果的移动端交互。

    Apr, 2017

  • 通过设备无关模型优化网络交互

    通过利用设备的固有物理特性作为计算工具，我们在这项工作中制定了一个通用框架，以完全数据驱动的方式优化与动态物理系统的交互，通过模拟和实现与动态设备的相互作用进行了应用验证，并强调了准确捕捉系统随机性对于成功部署具有物理定义的神经网络的重要性。

    Jan, 2024

  • 利用深度学习构建定制热力学

    基于基本的物理原理，特别重要的是对复杂动态系统进行宏观动力学建模，通过学习化简的热力学坐标和在这些坐标上解释动力学来实现。我们通过在聚合物拉伸和空间流行病的研究中验证了这种方法的有效性，表明我们的方法适用于广泛的科学和技术应用。

    Aug, 2023

  • 端口多辛神经网络：物理系统的热力学知识驱动机器学习

    基于 Port-Hamiltonian 形式主义，我们开发了适用于复杂物理系统的机器学习归纳偏差，以构造满足热力学原则（能量守恒，非负熵产生）的学习物理。

    Nov, 2022

  • 利用交互网络学习关于物体、关系和物理的知识

    本文介绍了交互网络模型，它能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理，并可以推理多种具有挑战性的物理领域。 报告结果表明，它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹，估计能量等抽象量，自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的，可学习的物理引擎，是处理各种复杂真实世界领域中物体和关系的强大的通用框架。

    Dec, 2016

  • PhysDreamer: 基于物理的通过视频生成与 3D 物体交互

    通过基于物理原理的方法，我们提出了 PhysDreamer，它能够使静态的 3D 对象能够以虚拟实境中真实的方式动态地响应交互刺激，实现了更加引人入胜和逼真的虚拟体验。

    Apr, 2024

  • 用人工神经网络研究二维量子多体动力学

    该研究讨论了利用人工神经网络编码量子多体波函数的方法，有效地模拟了二维空间中的量子物质的无平衡实时演化，并应用到横向场伊辛模型上，验证了该方法的准确性和可行性。

    Dec, 2019

  • 将人脸交互图网络推广至真实场景

    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

  • 基于热力学局部启发的图神经网络

    这项研究通过引入感知力偏差，同时套用热力学第一和第二原理，提高神经网络的准确性，尤其是在涉及到图网络时，通过开发一种本地化版本的感知力偏差，避免了全局 Poisson 和耗散矩阵的拼装，从而保存了图网络的节点结构，并在固体力学和流体力学领域进行了应用，展示出显著的计算效率和高强度的泛化能力。

    May, 2024