PhysiFormer: ワールド空間での力学シミュレーション学習

- 3Dオブジェクトの物理的に妥当な運動を生成する diffusion transformer である PhysiFormer を提案する。 - オブジェクトを view 依存の pixel 空間ではなく world 座標の 3D mesh として表現する。 - 初期の vertex 位置・速度と material type（rigid または elastic）を入力し、将来の vertex trajectory をサンプリングする。 - 100k 以上の simulated trajectory で学習し、rigid/elastic の力学を生成する。 - mixed-material 設定、未見の実世界 geometry、より多い object 数へ一般化する。

- 関連する neural physics 手法は ad-hoc な latent space に基づいたり、rigidity や causality を明示的に強制したりする。 - PhysiFormer はそのような inductive bias を一切使わずに優れた結果を得られることを示す。 - vertex trajectory 予測を world 座標での単一の denoising diffusion process として定式化する点が異なる。 - autoregressive baseline と比べ、trajectory accuracy、rigidity preservation、momentum-based physical consistency で大幅に上回る。 - view-invariant で geometry-aware な world modelling への有望な一歩と位置づける。

- vertex trajectory 予測を world 座標で直接行う単一の denoising diffusion process として扱う。 - 入力は初期 vertex 位置・速度と material type（rigid/elastic）。 - 確率的定式化により学習された dynamics の不確実性を捉え、初期条件から多様で妥当な未来を生成できる。 - attention を time、space、object に factorise して効率化する。 - 明示的な object encoding なしで permutation-invariant な multi-object reasoning を可能にする。

- 100k 以上の simulated trajectory で学習する。 - rigid および elastic の力学を生成できることを示す。 - mixed-material 設定、未見の実世界 geometry、より多い object 数への一般化を確認する。 - autoregressive baseline と比較し、trajectory accuracy、rigidity preservation、momentum-based physical consistency で大幅に優位であることを示す。 - 可視化、コード、モデルは https://yimingc9.github.io/physiformer で公開。

- 明示的な rigidity や causality の inductive bias なしで優れた結果が得られることを示す。 - 確率的定式化により、未観測の不確実性を伴う応用に有用な可能性がある。 - coordinate-space diffusion を view-invariant で geometry-aware な world modelling への有望なステップと位置づける。 - robotics、graphics、physical design への応用可能性に言及する。 - 限界や失敗事例に関する具体的な議論は要旨からは不明。

- 要旨で参照/比較されている関連手法: video world models、neural physics approaches、autoregressive baselines。 - 関連する概念: latent space ベースの neural physics、rigidity/causality を明示的に強制する手法。 - 同分野の定番として、diffusion model を用いた物理シミュレーションや world model に関する研究が次に読む候補となる。 - 具体的な論文名は要旨からは不明。