ترجمه فارسی مقاله حل‌کننده مرتبه کاهش‌یافته مبتنی بر زیرفضای عصبی شبیه‌سازی تغییر شکل‌پذیر توسط بهینه‌سازی Lipschitz

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization
عنوان مقاله به فارسی حل‌کننده مرتبه کاهش‌یافته مبتنی بر زیرفضای عصبی شبیه‌سازی تغییر شکل‌پذیر توسط بهینه‌سازی Lipschitz
نویسندگان Aoran Lyu, Shixian Zhao, Chuhua Xian, Zhihao Cen, Hongmin Cai, Guoxin Fang
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Graphics,یادگیری ماشین , گرافیک ,
توضیحات Submitted 5 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Reduced-order simulation is an emerging method for accelerating physical simulations with high DOFs, and recently developed neural-network-based methods with nonlinear subspaces have been proven effective in diverse applications as more concise subspaces can be detected. However, the complexity and landscape of simulation objectives within the subspace have not been optimized, which leaves room for enhancement of the convergence speed. This work focuses on this point by proposing a general method for finding optimized subspace mappings, enabling further acceleration of neural reduced-order simulations while capturing comprehensive representations of the configuration manifolds. We achieve this by optimizing the Lipschitz energy of the elasticity term in the simulation objective, and incorporating the cubature approximation into the training process to manage the high memory and time demands associated with optimizing the newly introduced energy. Our method is versatile and applicable to both supervised and unsupervised settings for optimizing the parameterizations of the configuration manifolds. We demonstrate the effectiveness of our approach through general cases in both quasi-static and dynamics simulations. Our method achieves acceleration factors of up to 6.83 while consistently preserving comparable simulation accuracy in various cases, including large twisting, bending, and rotational deformations with collision handling. This novel approach offers significant potential for accelerating physical simulations, and can be a good add-on to existing neural-network-based solutions in modeling complex deformable objects.

چکیده به فارسی (ترجمه ماشینی)

شبیه سازی مرتبه کاهش یافته روشی در حال ظهور برای تسریع در شبیه سازی های فیزیکی با DOF های بالا است ، و اخیراً روشهای مبتنی بر شبکه عصبی با زیر مجموعه های غیرخطی توسعه یافته است در برنامه های متنوع اثبات شده است زیرا می توان زیر مجموعه های مختصر تر تشخیص داد.با این حال ، پیچیدگی و چشم انداز اهداف شبیه سازی در زیر فضای بهینه نشده است ، که باعث می شود فضای تقویت سرعت همگرایی باشد.این کار با ارائه یک روش کلی برای یافتن نگاشتهای زیر فضایی بهینه شده ، بر این نکته متمرکز شده است و باعث شتاب بیشتر شبیه سازی های مرتبه عصبی می شود در حالی که بازنمایی های جامع از منیفولد های پیکربندی را ضبط می کند.ما با بهینه سازی انرژی لیپشیتز اصطلاح خاصیت ارتجاعی در هدف شبیه سازی ، و ترکیب تقریب مکعب در فرآیند آموزش برای مدیریت حافظه و تقاضای زمان بالا مرتبط با بهینه سازی انرژی تازه معرفی شده ، به این هدف می رسیم.روش ما همه کاره است و برای بهینه سازی پارامترهای منیفولدهای پیکربندی ، هر دو تنظیمات نظارت شده و بدون نظارت کاربرد دارد.ما اثربخشی رویکرد خود را از طریق موارد کلی در هر دو شبیه سازی شبه استاتیک و دینامیک نشان می دهیم.روش ما به عوامل شتاب حداکثر 6.83 دست می یابد ، در حالی که به طور مداوم دقت شبیه سازی قابل مقایسه را در موارد مختلف از جمله پیچ و تاب بزرگ ، خم شدن و تغییر شکل چرخشی با کنترل برخورد حفظ می کند.این رویکرد جدید پتانسیل قابل توجهی را برای تسریع در شبیه سازی های فیزیکی ارائه می دهد ، و می تواند یک افزودنی خوب برای راه حل های موجود مبتنی بر شبکه عصبی در مدل سازی اشیاء تغییر شکل پیچیده باشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.