[論文レビュー] Accurately Solving Physical Systems with Graph Learning

Han Shao, Tassilo Kugelstadt+5 more|arXiv (Cornell University)|Jun 6, 2020

Model Reduction and Neural Networks参考文献 55被引用数 4

ひとこと要約

本論文では、物理シミュレーションにおける反復的ソルバーの初期推定値をグラフネットワーク（GN）で予測することで、収束を著しく高速化するとともに、長期的な安定性を維持する手法を提案する。位置ベースダイナミクス（PBD）における標準的な初期推定値をGNが予測するものに置き換えることで、衝突や大規模な木のモデルを含む複雑なロッドシミュレーションにおいて、反復回数を最大17%削減するが、正確性や安定性に影響を与えない。

ABSTRACT

Iterative solvers are widely used to accurately simulate physical systems. These solvers require initial guesses to generate a sequence of improving approximate solutions. In this contribution, we introduce a novel method to accelerate iterative solvers for physical systems with graph networks (GNs) by predicting the initial guesses to reduce the number of iterations. Unlike existing methods that aim to learn physical systems in an end-to-end manner, our approach guarantees long-term stability and therefore leads to more accurate solutions. Furthermore, our method improves the run time performance of traditional iterative solvers. To explore our method we make use of position-based dynamics (PBD) as a common solver for physical systems and evaluate it by simulating the dynamics of elastic rods. Our approach is able to generalize across different initial conditions, discretizations, and realistic material properties. Finally, we demonstrate that our method also performs well when taking discontinuous effects into account such as collisions between individual rods. Finally, to illustrate the scalability of our approach, we simulate complex 3D tree models composed of over a thousand individual branch segments swaying in wind fields. A video showing dynamic results of our graph learning assisted simulations of elastic rods can be found on the project website available at http://computationalsciences.org/publications/shao-2021-physical-systems-graph-learning.html .

研究の動機と目的

• 反復的ソルバーの実行時間効率を向上させつつ、長期的な安定性を損なわないこと。
• 物理シミュレーションにおけるエンドツーエンドディープラーニング手法で一般的に見られる不安定性と一般化性能の低さを解消すること。
• エラスティックロッドやダイナミックツリーなどの複雑な物理系の高速かつ安定的で一般化可能なシミュレーションを可能にすること。
• GNが高品質な初期推定値を予測することで、従来のソルバーを効果的に高速化できることを示すこと。

提案手法

• グラフネットワーク（COPINGNet）を訓練し、位置ベースダイナミクス（PBD）における制約射影ステップの結果を予測することで、反復的ソルバーの初期推定値として用いる。
• 古典的なPBDソルバーの安定性を活用しつつ、GNが予測する初期状態によって収束を加速する。
• 訓練データは、さまざまな初期条件、離散化、材料特性におけるバニラPBDシミュレーションから生成される。
• 衝突処理は、ライン対ラインおよびハーフスペース制約を用い、効率的な検出のための階層的空間ハッシュ化を実装する。
• GNはエンドツーエンドで使用されるのではなく、初期推定値の予測にのみ使用され、ソルバーの本質的安定性を保つ。
• 本手法は、ロッド曲げ、ロッド衝突、1,000セグメントを超える大規模3Dツリーのシミュレーションを含む、ロッドシミュレーションの多様な設定で評価された。

実験結果

リサーチクエスチョン

• RQ1 グラフネットワークを用いて物理シミュレーションにおける反復的ソルバーの高速化を図る際、長期的な安定性を損なわずに行えるか。
• RQ2 GNが予測する初期推定値は、異なるロッド離散化、材料特性、初期条件に対してどれほど一般化できるか。
• RQ3 本手法は、ロッド衝突のような不連続な出来事や、ダイナミックツリーのような複雑なトポロジーに対処できるか。
• RQ4 反復回数の削減および実行時間の高速化という観点で、どの程度のパフォーマンス向上が達成可能か。

主な発見

• GNに基づく初期推定値により、必要な反復回数が削減され、10本ロッドのツリー・モデルでは17.0%、70本ロッドのモデルでは11.1%の実行時間の高速化が達成された（ニューラルネットワークの推論時間も含む）。
• ヘリックス・オン・グラウンドのシミュレーションでは10%の高速化、ロッド衝突シナリオでは6%の高速化が達成され、不連続な出来事に対しても頑健であることが示された。
• GNがそれらの構成についてトレーニングされていなくても、異なるロッド離散化やトポロジーに一般化されていることが観察され、物理的整合性に対する強いインダクティブバイアスがあることが示された。
• エンドツーエンド学習とは異なり、極端な変形や分布外の条件下でも長期的な安定性を維持し、発散を回避した。
• 3Dの揺れる木（1,000セグメント以上）を含む複雑なシミュレーションにおいても、正確性と物理的妥当性が保持された。
• ネットワークが一部のシナリオでのみトレーニングされた場合でも、GNが予測する初期推定値は、標準的な初期推定値（例えば、直前の時間ステップの値）よりも収束速度と安定性に優れていた。