MAgNET: A Graph U-Net Architecture for Mesh-Based Simulations

要約

多くの最先端のアプリケーションでは、高忠実度の計算モデルは実際に使用するには遅すぎることが判明したため、より高速な代替モデルに置き換えられています。
最近では、このような予測を高速化するためにディープラーニング技術がますます利用されています。
大次元で複雑なデータの学習を可能にするために、畳み込みニューラル ネットワークやグラフ ニューラル ネットワークなど、特定のニューラル ネットワーク アーキテクチャが開発されています。
この研究では、MAgNET と呼ばれる新しいエンコーダ/デコーダ幾何学深層学習フレームワークを紹介します。これは、任意のグラフ構造データに対応するためによく知られた畳み込みニューラル ネットワークを拡張します。
MAgNET は、革新的なマルチチャネル アグリゲーション (MAg) 層とグラフ プーリング/アンプーリング層で構成され、畳み込み U-Net に類似したグラフ U-Net アーキテクチャを形成します。
固体力学における非線形有限要素シミュレーションのサロゲート モデリングにおける MAgNET の予測機能を実証します。

要約(オリジナル)

In many cutting-edge applications, high-fidelity computational models prove to be too slow for practical use and are therefore replaced by much faster surrogate models. Recently, deep learning techniques have increasingly been utilized to accelerate such predictions. To enable learning on large-dimensional and complex data, specific neural network architectures have been developed, including convolutional and graph neural networks. In this work, we present a novel encoder-decoder geometric deep learning framework called MAgNET, which extends the well-known convolutional neural networks to accommodate arbitrary graph-structured data. MAgNET consists of innovative Multichannel Aggregation (MAg) layers and graph pooling/unpooling layers, forming a graph U-Net architecture that is analogous to convolutional U-Nets. We demonstrate the predictive capabilities of MAgNET in surrogate modeling for non-linear finite element simulations in the mechanics of solids.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google