CN114580252A - 一种用于流体仿真的图神经网络仿真方法及系统 - Google Patents

一种用于流体仿真的图神经网络仿真方法及系统 Download PDF

Info

Publication number
CN114580252A
CN114580252A CN202210495598.0A CN202210495598A CN114580252A CN 114580252 A CN114580252 A CN 114580252A CN 202210495598 A CN202210495598 A CN 202210495598A CN 114580252 A CN114580252 A CN 114580252A
Authority
CN
China
Prior art keywords
fluid
simulation
particle
graph
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210495598.0A
Other languages
English (en)
Inventor
王涛
刘兆伟
李腾
杨斌
李冉冉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jerei Digital Technology Co Ltd
Original Assignee
Shandong Jerei Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Jerei Digital Technology Co Ltd filed Critical Shandong Jerei Digital Technology Co Ltd
Priority to CN202210495598.0A priority Critical patent/CN114580252A/zh
Publication of CN114580252A publication Critical patent/CN114580252A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于机器学习仿真模拟领域，涉及一种用于流体仿真的图神经网络仿真方法及系统。该方法包括模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；将L个时间步的静态流体粒子结构构造图结构；根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括：流体粒子的速度或加速度。本发明能够实现流体仿真。

Description

一种用于流体仿真的图神经网络仿真方法及系统
技术领域
本发明涉及机器学习仿真模拟领域，特别是涉及一种用于流体仿真的图神经网络仿真方法及系统。
背景技术
复杂物理学的现实模拟器对许多科学和工程学科来说是非常有价值的，然而传统的模拟器在创建和使用时可能非常昂贵。建立一个模拟器可能需要多年的工程努力，且高质量的模拟器需要大量的计算资源，这使得扩大规模变得遥不可及。即使是最好的也往往不准确，因为对基础物理和参数的了解不够，或难以近似潜在的物理学和参数。
传统模拟器的一个有吸引力的替代方法是使用机器学习来直接从观察到的数据中训练模拟器，然而，流体这种大的状态空间和复杂的动态一直是标准的端到端学习方法难以克服的。
发明内容
本发明的目的是提供一种用于流体仿真的图神经网络仿真方法及系统，能够实现流体仿真。
为实现上述目的，本发明提供了如下方案：
一种用于流体仿真的图神经网络仿真方法，包括：
模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；
将L个时间步的静态流体粒子结构构造图结构；
根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括：流体粒子的速度或加速度。
可选地，所述模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的流体粒子特征向量，之前还包括：
采用光滑粒子法获取流体粒子动态过程。
可选地，所述仿真模拟器为对抗自编码器；
所述仿真模拟器包括：图编码器和图鉴别器。
可选地，所述图编码器包括：L个编码器；
每个所述编码器使用多头注意力机制；每个所述编码器包括：R层自注意力层、一层全连接层和R+1层归一化层；
其中，每一层自注意力层均以Relu作为激活函数，每一层自注意层后面均添加一层归一化层；在R层自注意力层后添加一层全连接层，并在全连接层后添加归一化层；将流体粒子特征向量嵌入到128维的潜在向量中。
可选地，所述图鉴别器包括：两层注意力层、两层归一化层和一层输出层；
每一层自注意力层后均添加一层归一化层；输出层将粒子特征映射到一维空间，并使用Sigmoid作为激活函数。
一种用于流体仿真的图神经网络仿真系统，包括：
数据处理模块，模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；
图构造模块，用于将L个时间步的静态流体粒子结构构造图结构；
图仿真模块，用于根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括：流体粒子的速度或加速度。
可选地，还包括：
流体粒子动态过程获取模块，用于采用光滑粒子法获取流体粒子动态过程。
可选地，所述仿真模拟器为对抗自编码器；
所述仿真模拟器包括：图编码器和图鉴别器。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种用于流体仿真的图神经网络仿真方法及系统，将L个时间步的静态流体粒子结构构造图结构，利用仿真模拟器对下一时间步长的图结构进行预测，进而克服流体的仿真。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种用于流体仿真的图神经网络仿真方法流程示意图；
图2为本发明所提供的一种用于流体仿真的图神经网络仿真系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种用于流体仿真的图神经网络仿真方法及系统，能够实现流体仿真。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种用于流体仿真的图神经网络仿真方法流程示意图，如图1所示，本发明所提供的一种用于流体仿真的图神经网络仿真方法，包括：
S101，模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；
S101之前还包括：
采用光滑粒子法获取流体粒子动态过程。
S102，将L个时间步的静态流体粒子结构构造图结构；
S102具体包括：
为每个粒子分配一个节点，并在"连接半径"内的粒子之间添加边，该半径反映了粒子的局部相互作用，并且对于相同分辨率的所有模拟，该半径保持不变；在每个时间段，图形的边由最近的邻居算法重新计算，以反映当前的粒子位置。
S103，根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括但不限于：流体粒子的速度或加速度。
所述仿真模拟器为对抗自编码器；所述仿真模拟器包括：图编码器和图鉴别器。
所述仿真模拟器的损失函数
Figure 548016DEST_PATH_IMAGE001
和损失函数
Figure 524543DEST_PATH_IMAGE002
为：
Figure 366597DEST_PATH_IMAGE003
；
Figure 558544DEST_PATH_IMAGE004
；
其中，损失函数
Figure 169654DEST_PATH_IMAGE001
表示使用图编码生成数据与原始数据的差异，损失函数
Figure 54434DEST_PATH_IMAGE002
表示图鉴别器的判别差值。
所述图编码器包括：
图编码器由L个编码器组成。每个编码器由使用多头注意力机制，R层自注意力层，一层全连接层和R+1层归一化层组成。
其中，每一层自注意力层以Relu作为激活函数，每一层自注意层后面都有一层归一化层，在R层自注意力层最后，添加一层全连接层，并在全连接层后添加归一化层，最后将粒子的特征嵌入到128维的潜在向量中。所述图鉴别器包括：
两层注意力层和一层输出层；
每一层自注意力层后都添加一层归一化层，输出层将粒子特征映射到一维空间，并使用Sigmoid作为激活函数。图鉴别器的作用是为了鉴别输入的粒子特征向量是否为真，以提高图编码器的编码能力。
所述的图鉴别器训练过包括：
利用图构造器将第M时间步上的粒子结构重构成图结构后，通过图编码器学习粒子间的轨迹变化，并生成第M+1时间步上的流体粒子特征向量。图鉴别器通过对比图编码器生成的M+1时间步上的流体粒子特征向量和光滑粒子法生成的M+1时间步上的流体粒子特征，如果两者差异很大，就继续训练图编码器，直到图编码器可以模拟逼真的M+1时间步上流体粒子特征。
具体地，所述的训练策略，为了提高模型的精确度，并且为了平衡生成器和鉴别器之间的性能差异，首先对图鉴别器进行训练，然后在训练图编码器，并且在训练过程中使每训练一次图鉴别器，训练10次（可以调整）图编码器。
图2为本发明所提供的一种用于流体仿真的图神经网络仿真系统结构示意图，如图2所示，本发明所提供的一种用于流体仿真的图神经网络仿真系统，包括：
数据处理模块201，用于模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；
图构造模块202，用于将L个时间步的静态流体粒子结构构造图结构；
图仿真模块203，用于根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括：流体粒子的速度或加速度。
本发明所提供的一种用于流体仿真的图神经网络仿真系统，还包括：
流体粒子动态过程获取模块，用于采用光滑粒子法获取流体粒子动态过程。
所述仿真模拟器为对抗自编码器；
所述仿真模拟器包括：图编码器和图鉴别器。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种用于流体仿真的图神经网络仿真方法，其特征在于，包括：
模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；
将L个时间步的静态流体粒子结构构造图结构；
根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，以及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括：流体粒子的速度或加速度。
2.根据权利要求1所述的一种用于流体仿真的图神经网络仿真方法，其特征在于，所述模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的流体粒子特征向量，之前还包括：
采用光滑粒子法获取流体粒子动态过程。
3.根据权利要求1所述的一种用于流体仿真的图神经网络仿真方法，其特征在于，所述仿真模拟器为对抗自编码器；
所述仿真模拟器包括：图编码器和图鉴别器。
4.根据权利要求3所述的一种用于流体仿真的图神经网络仿真方法，其特征在于，所述图编码器包括：L个编码器；
每个所述编码器使用多头注意力机制；每个所述编码器包括：R层自注意力层、一层全连接层和R+1层归一化层；
其中，每一层自注意力层均以Relu作为激活函数，每一层自注意层后面均添加一层归一化层；在R层自注意力层后添加一层全连接层，并在全连接层后添加归一化层；将流体粒子特征向量嵌入到128维的潜在向量中。
5.根据权利要求3所述的一种用于流体仿真的图神经网络仿真方法，其特征在于，所述图鉴别器包括：两层注意力层、两层归一化层和一层输出层；
每一层自注意力层后均添加一层归一化层；输出层将粒子特征映射到一维空间，并使用Sigmoid作为激活函数。
6.一种用于流体仿真的图神经网络仿真系统，其特征在于，包括：
数据处理模块，用于模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；
图构造模块，用于将L个时间步的静态流体粒子结构构造图结构；
图仿真模块，用于根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括：流体粒子的速度或加速度。
7.根据权利要求6所述的一种用于流体仿真的图神经网络仿真系统，其特征在于，还包括：
流体粒子动态过程获取模块，用于采用光滑粒子法获取流体粒子动态过程。
8.根据权利要求6所述的一种用于流体仿真的图神经网络仿真系统，其特征在于，所述仿真模拟器为对抗自编码器；
所述仿真模拟器包括：图编码器和图鉴别器。
CN202210495598.0A 2022-05-09 2022-05-09 一种用于流体仿真的图神经网络仿真方法及系统 Pending CN114580252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210495598.0A CN114580252A (zh) 2022-05-09 2022-05-09 一种用于流体仿真的图神经网络仿真方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495598.0A CN114580252A (zh) 2022-05-09 2022-05-09 一种用于流体仿真的图神经网络仿真方法及系统

Publications (1)

Publication Number Publication Date
CN114580252A true CN114580252A (zh) 2022-06-03

Family

ID=81769002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495598.0A Pending CN114580252A (zh) 2022-05-09 2022-05-09 一种用于流体仿真的图神经网络仿真方法及系统

Country Status (1)

Country Link
CN (1) CN114580252A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143027A (zh) * 2014-08-01 2014-11-12 北京理工大学 一种基于sph算法的流体热运动仿真系统
US20180336677A1 (en) * 2017-05-18 2018-11-22 Toshiba Medical Systems Corporation Apparatus and method for medical image processing
CN108983605A (zh) * 2018-07-09 2018-12-11 南开大学 一种基于深度强化学习进行流体导向的刚体控制的方法
CN112017267A (zh) * 2019-05-28 2020-12-01 上海科技大学 基于机器学习的流体快速合成方法、装置、系统和介质
US20210049467A1 (en) * 2018-04-12 2021-02-18 Deepmind Technologies Limited Graph neural networks representing physical systems
CN112399483A (zh) * 2020-11-03 2021-02-23 南京嘉环科技股份有限公司 基于GNs图预测器的约束路由控制系统
CN113361606A (zh) * 2021-06-07 2021-09-07 齐鲁工业大学 深层图注意力对抗变分自动编码器训练方法及系统
US20210389491A1 (en) * 2020-06-12 2021-12-16 Saudi Arabian Oil Company Methods and systems for generating graph neural networks for reservoir grid models
CN113808248A (zh) * 2021-03-10 2021-12-17 北京航空航天大学 基于物理感知的三维流体逆向建模方法
CN113836833A (zh) * 2021-08-19 2021-12-24 石家庄学院 基于深度学习从图像序列中模拟动态台风场景的方法
WO2022069740A1 (en) * 2020-10-02 2022-04-07 Deepmind Technologies Limited Simulating physical environments using mesh representations and graph neural networks

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143027A (zh) * 2014-08-01 2014-11-12 北京理工大学 一种基于sph算法的流体热运动仿真系统
US20180336677A1 (en) * 2017-05-18 2018-11-22 Toshiba Medical Systems Corporation Apparatus and method for medical image processing
US20210049467A1 (en) * 2018-04-12 2021-02-18 Deepmind Technologies Limited Graph neural networks representing physical systems
CN108983605A (zh) * 2018-07-09 2018-12-11 南开大学 一种基于深度强化学习进行流体导向的刚体控制的方法
CN112017267A (zh) * 2019-05-28 2020-12-01 上海科技大学 基于机器学习的流体快速合成方法、装置、系统和介质
US20210389491A1 (en) * 2020-06-12 2021-12-16 Saudi Arabian Oil Company Methods and systems for generating graph neural networks for reservoir grid models
WO2022069740A1 (en) * 2020-10-02 2022-04-07 Deepmind Technologies Limited Simulating physical environments using mesh representations and graph neural networks
CN112399483A (zh) * 2020-11-03 2021-02-23 南京嘉环科技股份有限公司 基于GNs图预测器的约束路由控制系统
CN113808248A (zh) * 2021-03-10 2021-12-17 北京航空航天大学 基于物理感知的三维流体逆向建模方法
CN113361606A (zh) * 2021-06-07 2021-09-07 齐鲁工业大学 深层图注意力对抗变分自动编码器训练方法及系统
CN113836833A (zh) * 2021-08-19 2021-12-24 石家庄学院 基于深度学习从图像序列中模拟动态台风场景的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIN FU 等: "Parallel fast-neighbor-searching and communication strategy for particle-based methods", 《ENGINEERING COMPUTATIONS》 *
吴大转 等: "离心泵快速启动过程瞬态水力特性的数值模拟", 《浙江大学学报(工学版)》 *
李婷 等: "基于光滑粒子流体动力学算法的海浪建模仿真研究", 《地球信息科学学报》 *

Similar Documents

Publication Publication Date Title
CN109816032B (zh) 基于生成式对抗网络的无偏映射零样本分类方法和装置
Narahara et al. Personalizing homemade bots with plug & play AI for STEAM education
CN116664719B (zh) 一种图像重绘模型训练方法、图像重绘方法及装置
CN109598279A (zh) 基于自编码对抗生成网络的零样本学习方法
CN112017255A (zh) 一种根据食谱生成食物图像的方法
Liu et al. The smart architect: Scalable ontology-based modeling of ancient Chinese architectures
Shao et al. Transformer with implicit edges for particle-based physics simulation
Lin et al. Urban space simulation based on wave function collapse and convolutional neural network
Ardhianto et al. Generative deep learning for visual animation in landscapes design
CN114580252A (zh) 一种用于流体仿真的图神经网络仿真方法及系统
Garg et al. Traffic3d: A rich 3d-traffic environment to train intelligent agents
Kang et al. VR design of public facilities in historical blocks based on BP neural network
CN113065321B (zh) 基于lstm模型和超图的用户行为预测方法及系统
Chao et al. Dictionary-based fidelity measure for virtual traffic
CN114648650A (zh) 神经网络训练、目标检测的方法及装置、设备及存储介质
CN113284257A (zh) 一种虚拟场景内容的模块化生成展示方法及系统
CN113360669A (zh) 一种基于门控图卷积时序神经网络的知识追踪方法
Shvets et al. Graphs in harmony learning: AI assisted VR application
Fricker et al. Intuitive design through information maps
WO2024063096A1 (ja) 情報処理システム、情報処理方法及びプログラム
KR102636155B1 (ko) 콘텐츠 코드를 이용한 이미지 생성 방법 및 시스템
Titchiev Collaborative learning modelled by High-Level Petri nets
Jastrzębski et al. Fuzzy logic as a model of an actor‐driver in simulator scenarios
Ye Application of Virtual Simulation Technology Based on Genetic Algorithm in Architectural Design
Marne Converting Text to Image using Deep Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220603

RJ01 Rejection of invention patent application after publication