[논문 리뷰] Learning to Simulate Complex Physics with Graph Networks

Álvaro Sánchez‐González, Jonathan Godwin외 4명|arXiv (Cornell University)|2020. 02. 21.

Advanced Graph Neural Networks참고 문헌 40인용 수 445

한 줄 요약

이 논문은 Graph Network-based Simulators(GNS)가 입자 그래프에서 학습된 메시지 전달을 통해 유체, 강체, 변형 가능 재료를 시뮬레이션하는 방법을 학습하며, 더 크고 더 길며 더 복잡한 시스템에 대해 강한 일반화를 보인다.

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.

연구 동기 및 목표

• 학습 기반 시뮬레이션을 전통적인 물리 엔진에 대한 일반적인 대안으로 동기를 부여한다.
• 물리 상태를 입자 그래프로 표현하고 메시지 전달을 통해 다이나믹스를 학습한다.
• 단일 모델을 사용하여 더 큰 시스템, 더 긴 롤아웃 및 다중 재료에 대한 일반화를 보여준다.

제안 방법

• X를 잠재 그래프 G0로 인코딩하여 노드(입자)와 에지(관계)를 형성한다.
• G를 M라운드의 학습된 메시지 전달을 통해 상호 작용을 전파하도록 처리한다.
• 최종 잠재 그래프 GM을 디코드하여 입자별 다이나믹 정보(가속도)를 추출한다.
• 예측된 가속도를 사용해 간단한 오일러 적분기로 상태를 업데이트한다.
• 입자별 가속도에 대한 감독된 L2 손실로 엔드-투-엔드로 학습하고 견고성을 위해 입력에 트레이닝 노이즈를 적용한다.

실험 결과

연구 질문

• RQ1 단일 GNS 모델이 다중 재료 유형(유체, 변형 가능 물질, 강체)과 그 상호 작용을 시뮬레이션하도록 학습할 수 있는가?
• RQ2 학습 분포를 넘어 더 긴 롤아웃, 더 많은 입자, 미지의 초기 조건에 대해 GNS가 얼마나 잘 일반화하는가?
• RQ3 장기 정확도와 안정성에 가장 큰 영향을 미치는 아키텍처 선택과 하이퍼파라미터는 무엇인가?
• RQ4 GNS가 정확도와 일반화 측면에서 이전의 학습 유체 시뮬레이터와 어떻게 비교되는가?

주요 결과

실험 도메인	N	K	1단계 (×10^-9)	롤아웃 (×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

• GNS는 유체, 변형 가능 물질, 강체에서 정확하고 고해상도이며 장기 시뮬레이션을 학습한다.
• 단일 모델이 더 큰 시스템, 더 긴 궤적, 보지 못한 초기 조건에 일반화한다.
• 성능은 주로 메시지 전달 단계 수, 프로세서 매개변수 공유 여부, 연결 반경, 학습 입력 노이즈, 상대 인코더 사용 여부에 따라 달라진다.
• GNS는 CConv 기반의 기준선보다 여섯 도메인에서 우수한 성능을 보이며 특정 작업에서 CConv보다 강체 형상을 더 잘 보존한다.
• 입력 노이즈로 학습하면 롤아웃의 견고성이 향상되어 오차 누적을 완화한다.