Convolution, aggregation and attention based deep neural networks for accelerating simulations in mechanics

要約

ディープ ラーニング サロゲート モデルは、コストのかかる従来の数値手法に代わるものとして、科学シミュレーションを加速するためにますます使用されています。
ただし、実際の複雑な例を扱う場合、それらの使用は依然として大きな課題です。
この作業では、固体の高度に非線形な変形を効率的に学習するための 3 種類のニューラル ネットワーク アーキテクチャを示します。
最初の 2 つのアーキテクチャは、最近提案された CNN U-NET および MAGNET (グラフ U-NET) フレームワークに基づいており、メッシュベースのデータの学習に有望なパフォーマンスを示しています。
3 番目のアーキテクチャは Perceiver IO です。これは、アテンション ベースのニューラル ネットワークのファミリーに属する非常に最近のアーキテクチャです。これは、さまざまな工学分野に革命をもたらし、計算力学ではまだ未開拓のクラスです。
2 つのベンチマーク例で 3 つのネットワークすべてのパフォーマンスを調査および比較し、ソフト ボディの非線形機械的応答を正確に予測する能力を示します。

要約(オリジナル)

Deep learning surrogate models are being increasingly used in accelerating scientific simulations as a replacement for costly conventional numerical techniques. However, their use remains a significant challenge when dealing with real-world complex examples. In this work, we demonstrate three types of neural network architectures for efficient learning of highly non-linear deformations of solid bodies. The first two architectures are based on the recently proposed CNN U-NET and MAgNET (graph U-NET) frameworks which have shown promising performance for learning on mesh-based data. The third architecture is Perceiver IO, a very recent architecture that belongs to the family of attention-based neural networks–a class that has revolutionised diverse engineering fields and is still unexplored in computational mechanics. We study and compare the performance of all three networks on two benchmark examples, and show their capabilities to accurately predict the non-linear mechanical responses of soft bodies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google