Neural Modes: Self-supervised Learning of Nonlinear Modal Subspaces

我们提出了一种自监督方法来学习基于物理的子空间，以实现实时模拟。现有的基于学习的方法通过纯几何方式来逼近预定义的模拟数据来构建子空间。然而，这种方法往往会产生高能量配置，导致潜在空间维度纠缠，并且在训练集之外的泛化能力较差。为了克服这些限制，我们提出了一种自监督方法，在训练过程中直接最小化系统的机械能量。我们展示了我们的方法可以导致学习到的子空间反映物理平衡约束，解决以前方法的过度拟合问题，并提供可解释的潜在空间参数。

本论文旨在提出一种自监督学习方法，用于学习基于物理的子空间，以实现实时模拟。该方法旨在解决现有方法产生高能配置、导致纠缠的潜在空间维度和泛化性能不佳的问题。

论文提出了一种自监督方法，通过直接在训练期间最小化系统的机械能来学习子空间，以反映物理平衡约束，解决之前方法的过拟合问题，提供可解释的潜在空间参数。

论文的实验结果表明，该方法可以有效地学习基于物理的子空间，具有较好的泛化性能。论文还提供了开源代码和使用的数据集。

最近的相关研究包括：Learning to Simulate and Design for Structural Engineering和Learning to Simulate Complex Physics with Graph Networks等。