Reducing the Sensitivity of Neural Physics Simulators to Mesh Topology via Pretraining

要約

メッシュは、レーダー センシングや空気力学など、さまざまな領域にわたる高忠実度の物理シミュレーターで複雑なオブジェクトを表現するために使用されます。
ニューラル ネットワークを使用して物理シミュレーションを高速化することへの関心が高まっており、不規則なメッシュ データにニューラル ネットワークを直接適用する一連の研究も増えています。
複数のメッシュ トポロジで同じオブジェクトを表すことができるため、通常、ニューラル ネットワークをトレーニングするときにトポロジの変化を処理するためにメッシュ拡張が必要になります。
物理シミュレータはメッシュ形状の小さな変化に敏感であるため、ニューラル ネットワーク ベースの物理シミュレータをトレーニングするときにこれらの拡張機能を使用するのは困難です。
この研究では、メッシュ トポロジの変動によりニューラル ネットワーク シミュレーターのパフォーマンスが大幅に低下する可能性があることを示します。
この問題に対処するために事前トレーニングを使用できるかどうかを評価したところ、グラフ埋め込みモデルを使用して確立されたオートエンコーダー事前トレーニング手法を採用すると、メッシュ トポロジの変動に対するニューラル ネットワーク シミュレーターの感度が低下することがわかりました。
最後に、メッシュ トポロジに対するニューラル シミュレーターの感度をさらに低下させる可能性のある将来の研究の方向性を強調します。

要約(オリジナル)

Meshes are used to represent complex objects in high fidelity physics simulators across a variety of domains, such as radar sensing and aerodynamics. There is growing interest in using neural networks to accelerate physics simulations, and also a growing body of work on applying neural networks directly to irregular mesh data. Since multiple mesh topologies can represent the same object, mesh augmentation is typically required to handle topological variation when training neural networks. Due to the sensitivity of physics simulators to small changes in mesh shape, it is challenging to use these augmentations when training neural network-based physics simulators. In this work, we show that variations in mesh topology can significantly reduce the performance of neural network simulators. We evaluate whether pretraining can be used to address this issue, and find that employing an established autoencoder pretraining technique with graph embedding models reduces the sensitivity of neural network simulators to variations in mesh topology. Finally, we highlight future research directions that may further reduce neural simulator sensitivity to mesh topology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google