[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Graph Neural Network Surrogates for Contacting Deformable Bodies with Necessary and Sufficient Contact Detection

Created by
  • Haebom

저자

Vijay K. Dubey (The University of Texas at Austin), Collin E. Haese (The University of Texas at Austin), Osman Gultekin (The University of Texas at Austin), David Dalton (University of Glasgow), Manuel K. Rausch (The University of Texas at Austin), Jan N. Fuhg (The University of Texas at Austin)

개요

본 논문은 기계공학에서 비선형 경계값 문제의 빠른 추론을 위한 대리 모델링, 특히 변형 가능한 물체의 접촉을 포함하는 응용 분야에 초점을 맞추고 있습니다. 기존 방법들은 강체 접촉 또는 잘 정의된 접촉면을 가진 강체와 연성 물체 간의 접촉에 국한되어 있고, 충분 조건이 아닌 필요 조건만을 사용하는 접촉 또는 충돌 감지 필터를 사용하는 한계가 있습니다. 본 연구에서는 연속 충돌 감지를 활용하고, 변형 가능한 연성 물체 간의 접촉을 위해 설계된 충분 조건을 최초로 통합하는 그래프 신경망 아키텍처를 제시합니다. 생체 대동맥 판막의 폐쇄 상태 예측과 같은 두 가지 벤치마크 문제에 대한 성능을 테스트하여 손실 함수에 추가적인 접촉 항을 추가함으로써 일반화 성능이 향상되는 정규화 효과를 확인했습니다. 다양한 참조 기하학적 형상을 처리할 수 있음을 보여주지만, 훈련 중 높은 계산 비용이 발생하여 추론 속도 향상과의 상충 관계가 존재합니다. 다양한 하드웨어 아키텍처에서 훈련 비용과 추론 속도 향상을 정량적으로 분석하여 벤치마크 문제에서 최대 1000배의 속도 향상을 달성했습니다.

시사점, 한계점

•
시사점:
◦
변형 가능한 연성 물체 간의 접촉을 고려한 새로운 그래프 신경망 아키텍처 제시.
◦
연속 충돌 감지 및 충분 조건을 통합하여 기존 방법의 한계 극복.
◦
손실 함수에 추가적인 접촉 항을 추가하여 모델의 일반화 성능 향상.
◦
다양한 참조 기하학적 형상 처리 가능.
◦
벤치마크 문제에서 최대 1000배의 추론 속도 향상 달성.
•
한계점:
◦
훈련 과정에서 높은 계산 비용 발생.
◦
추론 속도 향상과 훈련 비용 간의 상충 관계 존재.
👍
Made with Slashpage