Lernen von flexiblen Körperkollisionsdynamiken mit hierarchischem Kontaktgitter-Transformer

Kürzlich wurden viele gitterbasierte Graph-Neuronale-Netzwerke (GNN) vorgeschlagen, um komplexe hochdimensionale physikalische Systeme zu modellieren. Bemerkenswerte Erfolge wurden erzielt, insbesondere bei der erheblichen Reduzierung der Lösungszeit im Vergleich zu traditionellen numerischen Lösern. Diese Methoden sind in der Regel so konzipiert, dass sie i) die Rechenkosten bei der Lösung von physikalischen Dynamiken reduzieren und/oder ii) Techniken zur Verbesserung der Lösungsgenauigkeit in Flüssigkeits- und Starrkörperdynamik vorschlagen. Es bleibt jedoch unerforscht, ob sie effektiv die Herausforderungen der Dynamik flexibler Körper bewältigen können, bei denen kollisionsbedingte Ereignisse innerhalb sehr kurzer Zeiträume auftreten. In dieser Arbeit stellen wir den Hierarchischen Kontaktgitter-Transformer (HCMT) vor, der hierarchische Gitterstrukturen verwendet und lernen kann, langreichweitige Abhängigkeiten (durch Kollisionen verursacht) zwischen räumlich entfernten Positionen eines Körpers zu erkennen – zwei benachbarte Positionen in einem höherstufigen Gitter entsprechen zwei weit entfernten Positionen in einem niedrigerstufigen Gitter. HCMT ermöglicht langreichweitige Interaktionen und die hierarchische Gitterstruktur verbreitet Kollisionswirkungen schnell auf ferne Positionen. Dazu besteht es aus einem Kontaktgitter-Transformer und einem hierarchischen Gitter-Transformer (CMT und HMT, jeweils). Schließlich schlagen wir einen Datensatz für die Dynamik flexibler Körper vor, der Trajektorien enthält, die experimentelle Szenarien widerspiegeln, die häufig in der Anzeigetechnologieindustrie für Produktentwicklungen verwendet werden. Wir vergleichen auch die Leistung mehrerer Baseline-Methoden unter Verwendung bekannter Benchmark-Datensätze. Unsere Ergebnisse zeigen, dass HCMT erhebliche Leistungsverbesserungen gegenüber bestehenden Methoden bietet. Unser Code ist unter https://github.com/yuyudeep/hcmt verfügbar.