用于捕捉准静态神经网络未表征动态模态的可解析积分零自然长度弹簧
机器学习
2022-01-26 v1 图形学
摘要
我们提出一种借助神经网络实时建模特定类型动态仿真的新范式。为显著减少对数据（尤其是时间相关数据）的需求并降低泛化误差，我们的方法仅使用数据驱动的神经网络来捕捉准静态信息（而非动态或时间相关信息）。随后，我们用（实时）动态仿真层增强准静态神经网络（QNN）推理。我们的核心见解是：使用QNN近似时丢失的动态模态可用一个相当简单（且解耦）的零自然长度弹簧模型捕捉，该模型可解析（而非数值）积分，因此无时间步稳定性限制。此外，我们证明弹簧本构参数可从极少量动态仿真数据中稳健学习。尽管我们通过考虑动画人体上的软组织动力学来说明方法有效性，该范式可扩展至许多不同仿真框架。
引用
@article{arxiv.2201.10122,
title = {Analytically Integratable Zero-restlength Springs for Capturing Dynamic Modes unrepresented by Quasistatic Neural Networks},
author = {Yongxu Jin and Yushan Han and Zhenglin Geng and Joseph Teran and Ronald Fedkiw},
journal= {arXiv preprint arXiv:2201.10122},
year = {2022}
}