[論文レビュー] Learning to Simulate Complex Physics with Graph Networks

Álvaro Sánchez‐González, Jonathan Godwin+4 more|arXiv (Cornell University)|Feb 21, 2020

Advanced Graph Neural Networks参考文献 40被引用数 445

ひとこと要約

本論文は、Graph Network-based Simulators (GNS) がパーティクルグラフ上の学習済みメッセージ伝搬を介して流体、剛体、変形材料をシミュレートするモデルを提案し、より大規模・長期・複雑な系への強い一般化を示す。

ABSTRACT

Here we present a machine learning framework and model implementation that can learn to simulate a wide variety of challenging physical domains, involving fluids, rigid solids, and deformable materials interacting with one another. Our framework---which we term "Graph Network-based Simulators" (GNS)---represents the state of a physical system with particles, expressed as nodes in a graph, and computes dynamics via learned message-passing. Our results show that our model can generalize from single-timestep predictions with thousands of particles during training, to different initial conditions, thousands of timesteps, and at least an order of magnitude more particles at test time. Our model was robust to hyperparameter choices across various evaluation metrics: the main determinants of long-term performance were the number of message-passing steps, and mitigating the accumulation of error by corrupting the training data with noise. Our GNS framework advances the state-of-the-art in learned physical simulation, and holds promise for solving a wide range of complex forward and inverse problems.

研究の動機と目的

• 学習に基づくシミュレーションを従来の物理エンジンの一般的な代替として動機付ける。
• 物理状態を粒子グラフとして表現し、メッセージパッシングを通じてダイナミクスを学習する。
• 単一モデルを用いて、より大きな系、長期ロールアウト、複数材料への一般化を示す。

提案手法

• X を潜在グラフ G0 にエンコードし、ノード（粒子）とエッジ（関係）を形成する。
• G を学習済みメッセージパッシングの M ラウンドで処理して相互作用を伝搬させる。
• 最終潜在グラフ GM をデコードして、粒子ごとのダイナミクス情報（加速度）を抽出する。
• 予測された加速度を用いて、単純なオイラー積分器で状態を更新する。
• 粒子ごとの加速度のL2損失でエンドツーエンドに訓練し、入力ノイズを訓練時に適用して堅牢性を高める。

実験結果

リサーチクエスチョン

• RQ1 単一の GNS モデルが、流体・変形体・剛体の複数の材料タイプとそれらの相互作用を学習してシミュレートできるか。
• RQ2 学習分布外の初期条件や長期ロールアウト、より多くの粒子に対して、GNS がどれだけ一般化するか。
• RQ3 長期的な精度と安定性に最も影響を与えるアーキテクチャの選択とハイパーパラメータは何か。
• RQ4 GNS は精度と一般化の観点で、既存の学習流体シミュレータとどう比較されるか。

主な発見

Experimental domain	N	K	1-step (×10^-9)	Rollout (×10^-3)
Water-3D (SPH)	13k	800	8.66	10.1
Sand-3D	20k	350	1.42	0.554
Goop-3D	14k	300	1.32	0.618
Water-3D-S (SPH)	5.8k	800	9.66	9.52
BoxBath (PBD)	1k	150	54.5	4.2
Water	1.9k	1000	2.82	17.4
Sand	2k	320	6.23	2.37
Goop	1.9k	400	2.91	1.89
MultiMaterial	2k	1000	1.81	16.9
FluidShake	1.3k	2000	2.1	20.1
WaterDrop	1k	1000	1.52	7.01
WaterDrop-XL	7.1k	1000	1.23	14.9
WaterRamps	2.3k	600	4.91	11.6
SandRamps	3.3k	400	2.77	2.07
RandomFloor	3.4k	600	2.77	6.72
Continuous	4.3k	400	2.06	1.06

• GNS は流体、変形体、剛体の長期・高解像度の正確なシミュレーションを学習する。
• 単一モデルがより大きな系、より長い軌跡、未知の初期条件へ一般化する。
• 性能は主にメッセージパッシングのステップ数、プロセッサパラメータの共有の有無、接続半径、訓練入力ノイズ、相対エンコーダの使用に依存する。
• GNS は CConv ベースラインを六つの領域で上回り、特定のタスクでは剛体形状の保持性能が CConv より優れる。
• 入力ノイズを用いた訓練は、誤差蓄積を抑制してロールアウトのロバスト性を向上させる。
• table_headers: ["実験領域","N","K","1ステップ (×10^-9)","ロールアウト (×10^-3)"]
• table_rows: [["Water-3D (SPH)","13k","800","8.66","10.1"],["Sand-3D","20k","350","1.42","0.554"],["Goop-3D","14k","300","1.32","0.618"],["Water-3D-S (SPH)","5.8k","800","9.66","9.52"],["BoxBath (PBD)","1k","150","54.5","4.2"],["Water","1.9k","1000","2.82","17.4"],["Sand","2k","320","6.23","2.37"],["Goop","1.9k","400","2.91","1.89"],["MultiMaterial","2k","1000","1.81","16.9"],["FluidShake","1.3k","2000","2.1","20.1"],["WaterDrop","1k","1000","1.52","7.01"],["WaterDrop-XL","7.1k","1000","1.23","14.9"],["WaterRamps","2.3k","600","4.91","11.6"],["SandRamps","3.3k","400","2.77","2.07"],["RandomFloor","3.4k","600","2.77","6.72"],["Continuous","4.3k","400","2.06","1.06"]]}
• title_note_concise_text_note_ignored_for_formatting_and_are_kept_as-is_if_present_continued_notes_were_removed_for_clarity