非线性弹性板的神经模型替代用于物理建模合成的评估
声音
2025-07-18 v1 机器学习
音频与语音处理
摘要
物理建模合成旨在从振动结构的物理模拟中生成音频。薄弹性板是鼓膜的常见模型。传统数值方法如有限差分和有限元提供高精度，但计算密集，限制了其在实时音频应用中的使用。本文对基于神经网络的方法进行了比较分析，用于求解非线性弹性板的振动问题。我们评估了多个最新模型，这些模型在短序列上训练，用于自回归方式预测长序列。我们指出了这些模型的一些局限性，以及为何仅查看时域的预测误差不足够。我们讨论了对实时音频合成的影响，并提出了改进神经方法以建模非线性振动的未来方向。
引用
@article{arxiv.2507.12563,
title = {Evaluation of Neural Surrogates for Physical Modelling Synthesis of Nonlinear Elastic Plates},
author = {Carlos De La Vega Martin and Rodrigo Diaz Fernandez and Mark Sandler},
journal= {arXiv preprint arXiv:2507.12563},
year = {2025}
}