[論文レビュー] Fine-grained differentiable physics: a yarn-level model for fabrics

Deshan Gong, Zhanxing Zhu+2 more|arXiv (Cornell University)|Feb 1, 2022

Textile materials and evaluations被引用数 5

ひとこと要約

本稿では、織物の糸レベルにおける微細な微分可能物理モデルを提案し、糸同士の接触、摩擦、せん断力などの複雑な材料相互作用の勾配ベース学習を可能にしている。従来非微分可能な力に対して微分可能形式を導入し、自動微分を併用した陰的エイラー積分を用いることで、従来手法に比べて高精度なシミュレーション、優れたデータ効率、逆問題や制御タスクにおける解釈可能性の向上を達成した。

ABSTRACT

Differentiable physics modeling combines physics models with gradient-based learning to provide model explicability and data efficiency. It has been used to learn dynamics, solve inverse problems and facilitate design, and is at its inception of impact. Current successes have concentrated on general physics models such as rigid bodies, deformable sheets, etc., assuming relatively simple structures and forces. Their granularity is intrinsically coarse and therefore incapable of modelling complex physical phenomena. Fine-grained models are still to be developed to incorporate sophisticated material structures and force interactions with gradient-based learning. Following this motivation, we propose a new differentiable fabrics model for composite materials such as cloths, where we dive into the granularity of yarns and model individual yarn physics and yarn-to-yarn interactions. To this end, we propose several differentiable forces, whose counterparts in empirical physics are indifferentiable, to facilitate gradient-based learning. These forces, albeit applied to cloths, are ubiquitous in various physical systems. Through comprehensive evaluation and comparison, we demonstrate our model's explicability in learning meaningful physical parameters, versatility in incorporating complex physical structures and heterogeneous materials, data-efficiency in learning, and high-fidelity in capturing subtle dynamics.

研究の動機と目的

• 織物のような異種材料や複雑な構造を持つ複合材料に対して、微細な微分可能物理モデルが不足しているという問題に取り組む。
• 特に粗い粒度のため従来のモデルが失敗するような状況において、物理的に意味のあるパラメータの勾配ベース学習を可能にする。
• 織物における糸同士の摩擦や接触のように、本質的に非微分可能な力に対して微分可能な定式化を構築する。
• 糸レベルでの微分可能物理を活用することで、逆問題や制御学習におけるデータ効率とモデルの解釈可能性を向上させる。
• 限られたデータからも、微細なダイナミクスを捉え、物理的パラメータを正確に学習できる能力をモデルが有していることを示す。

提案手法

• 個々の糸とその相互作用を明示的にシミュレートする糸レベルの物理モデルを提案し、異種材料や織り目のパターンのモデリングを可能にする。
• 接触、摩擦、せん断力といった主要な物理的力に対して、従来の経験的物理では非微分可能であるが、微分可能な定式化を導入する。
• 数値的安定性を確保するため陰的エイラー積分を採用し、シミュレーションループを通り抜ける勾配を計算するために陰的微分を組み合わせる。
• シミュレーションを逆伝播することで、損失関数の物理的パラメータに関する勾配を計算し、エンドツーエンド学習を可能にする。
• 行列微分法を用いて、状態変数のシステム行列およびベクトルに関する勾配の解析的表現を導出し、明示的なヤコビアン計算を回避する。
• モデルを逆問題および制御タスクに適用し、ベイズ最適化や強化学習を含むベースライン手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 糸レベルの微分可能物理モデルは、粗い粒度のモデルに比べて、複雑な織物ダイナミクスをより正確に捉えることができるか？
• RQ2 糸同士の摩擦や接触のように、本質的に非微分可能な力に対しても、微分可能な定式化を開発できるか？
• RQ3 提案手法は、非微分可能または粗いモデルに比べて、物理的パラメータの学習においてより高いデータ効率を達成するか？
• RQ4 観測された運動から材料特性を推定するような逆問題において、モデルは効果的に使用できるか？
• RQ5 制御学習タスクにおいて、強化学習やベイズ最適化と比較して、モデルはどのように性能を発揮するか？

主な発見

• 物理的パラメータの学習において、ベースライン手法に比べて高いデータ効率を達成し、収束に必要な観測数を少なくした。
• 微細なダイナミクス、例えば複雑な糸の絡み合いや摩擦的相互作用のシミュレーションにおいて、優れた忠実度を示した。
• 逆問題において、限られたデータから材料の剛性や摩擦係数といった意味のある物理的パラメータを効果的に学習できた。
• 特に高次元パrameter空間において、ベイズ最適化を上回る逆問題の精度とデータ効率を達成した。
• 制御学習タスクにおいて、一般的な強化学習ベースラインを上回る性能を示し、より優れたサンプル効率と一般化性能を達成した。
• 陰的エイラー法と陰的微分を用いることで、複雑な力の相互作用が存在する中でも、安定的かつ正確な勾配計算が可能になった。