UniPhy: Learning a Unified Constitutive Model for Inverse Physics Simulation

要約

私たちは、多様な材料の物理的特性をコードすることができる一般的な潜在的な神経構成モデルであるUniphyを提案します。
推論では、Uniphyは「逆シミュレーション」を許可します。つまり、シーン固有の潜在性を最適化して、微分可能なシミュレーションを介して利用可能な観測値を一致させることにより、材料特性を推測します。
このような推論をシステム識別などの扱いをする既存の方法とは対照的に、Uniphyはユーザー指定の材料タイプ情報に依存していません。
インスタンス固有のネットワークを学習する以前の神経構成モデリングアプローチと比較して、材料間で共有されたトレーニングは、推定の堅牢性と精度の両方を改善します。
弾性、プラスチシン、砂、液体（Newtonian＆Non-Newtonian）など、さまざまな幾何学および材料全体にシミュレートされた軌道を使用してユニファイを訓練します。
推論では、不明な材料特性を持つオブジェクトが与えられた場合、Uniphyは動きの観測と一致する潜在的な最適化を介して材料特性を推測し、多様なシナリオでオブジェクトを再シミュレートできるようにすることができます。
Uniphyを以前の逆シミュレーション方法と比較し、Uniphyからの推論が新しい条件下でより正確なリプレイと再シミュレーションを可能にすることを示します。

要約(オリジナル)

We propose UniPhy, a common latent-conditioned neural constitutive model that can encode the physical properties of diverse materials. At inference UniPhy allows `inverse simulation’ i.e. inferring material properties by optimizing the scene-specific latent to match the available observations via differentiable simulation. In contrast to existing methods that treat such inference as system identification, UniPhy does not rely on user-specified material type information. Compared to prior neural constitutive modeling approaches which learn instance specific networks, the shared training across materials improves both, robustness and accuracy of the estimates. We train UniPhy using simulated trajectories across diverse geometries and materials — elastic, plasticine, sand, and fluids (Newtonian & non-Newtonian). At inference, given an object with unknown material properties, UniPhy can infer the material properties via latent optimization to match the motion observations, and can then allow re-simulating the object under diverse scenarios. We compare UniPhy against prior inverse simulation methods, and show that the inference from UniPhy enables more accurate replay and re-simulation under novel conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google