Simular deformaciones de objetos es un desafío crítico en muchos dominios científicos, incluyendo robótica, manufactura y mecánica estructural. Los Simuladores de Redes Gráficas Aprendidas (GNSs) ofrecen una alternativa prometedora a los simuladores físicos tradicionales basados en mallas. Su velocidad y diferenciabilidad inherente los hacen especialmente adecuados para aplicaciones que requieren simulaciones rápidas y precisas, como la manipulación robótica o la optimización de manufactura. Sin embargo, los simuladores aprendidos existentes típicamente dependen de observaciones de un solo paso, lo que limita su capacidad para aprovechar el contexto temporal. Sin esta información, estos modelos no logran inferir, por ejemplo, propiedades del material. Además, se basan en rollout auto-regresivos, que acumulan rápidamente errores para trayectorias largas. En su lugar, enmarcamos la simulación basada en mallas como un problema de meta-aprendizaje a nivel de trayectoria. Usando Procesos Neurales Condicionales, nuestro método permite una adaptación rápida a nuevos escenarios de simulación a partir de datos iniciales limitados, capturando sus propiedades latentes de simulación. Utilizamos primitivas de movimiento para predecir directamente simulaciones rápidas, estables y precisas a partir de una sola llamada al modelo. El enfoque resultante, Movement-primitive Meta-MeshGraphNet (M3GN), proporciona una mayor precisión en la simulación a una fracción del costo de tiempo en comparación con los GNSs de última generación en varias tareas.
Dahlinger et al. (Jue,) estudiaron esta cuestión.