本文提出了一种新颖的 GNN 结构，称为多级网格图神经网络 (MG-GNN)，用于学习两级 DDM 中的最优化参数，并使用一种新的无监督损失函数对其进行训练。我们展示了 MG-GNN 在优化方面优于其他流行的层次图网络架构，并且证明了我们提出的损失函数对于实现这种改进的性能是至关重要的。

Jan, 2023

MgNet 模型同时恢复了用于图像分类的卷积神经网络 (CNN) 和求解离散化偏微分方程 (PDE) 的多重网格 (MG) 方法，该模型基于 CNN 和 MG 方法之间的密切联系，介绍了特征空间和数据空间的对偶概念，最终实现了修改后具有更好性能的 CNN 模型。

Jan, 2019

提出了一种基于数据驱动和机器学习的方法来计算代数多重网格 (AMG) 方法中的非 Galerkin 粗网格算子，同时保持整体的 AMG 收敛性，以解决操作符复杂度增加的问题。

Jul, 2023

我们提出了一种简便的无矩阵神经网络结构用于多重网格方法。该结构简单到可以在不到五十行的代码中实现，但包含许多不同的多重网格求解器。我们认为，固定的神经网络没有密集层不能实现高效的迭代方法。因此，标准的训练协议不能生成竞争优势的求解器。为了克服这个困难，我们使用参数共享和层序列化。所得到的网络可以在数以千计未知元的线性问题上进行训练，并在百万未知元的问题上保持其效率。从数值线性代数网络的训练角度来看，它对应于找到几何多重网格方法的最佳平滑器。我们在几个二阶椭圆方程上演示了我们的方法。对于测试的线性系统，与基本线性多重网格方法的 Jacobi 平滑器相比，我们得到的误差传播矩阵的谱半径较小，是其 2 到 5 倍。

Feb, 2024

本研究提出一种基于深度学习的迭代方法，用于解决高波数下的离散异质 Helmholtz 方程。该方法结合了经典的迭代多重网格求解器和卷积神经网络（CNN），通过预处理得到一个学习的神经求解器，它比标准的多重网格求解器更快、更可扩展。

Jun, 2023

提出了一种基于深度学习的算法，利用人工神经网络调整强度阈值参数，减小求解偏微分方程时代数多重网格方法（AMG）的计算开销，实验结果在含有异质的扩散系数和杨氏模量问题的训练集外的测试集上能节省 30% 左右的计算时间。

Apr, 2023

本文利用隐式神经表示法 (INR) 对偏微分方程进行建模，通过增强基于坐标的体系结构与图神经网络 (GNN) 的联合使用，能够进行零 - shot 泛化到新的不均匀网格和长期预测，同时维持物理一致性，MAgNet 推广到不同的网格和分辨率上，能够匹敌现有的基线，并在各种 PDE 仿真数据集上进行了比较准确的预测。

Oct, 2022

通过使用神经网络学习松弛参数来改善多重网格算法的收敛速度和处理离散微分方程的能力。

Jul, 2022

采用数据驱动的方法，通过结合 Video Prediction Transformer 和 Multigrid Architecture，提出了一种名为 MGxTransformer 的新方法，用于对各种不可压湍流进行精确的速度、温度和湍流强度预测，结果表现出比其他基线更高的准确性和更高的计算效率。

Jun, 2023

通过结合 U-Net-like CNN 和有限差分法领域的已建立的离散化方法，我们介绍了一种在不同几何形状中学习稳态 Navier-Stokes 方程近似解的技术，无需参数化。我们将基于物理的 CNN 的结果与基于数据的方法进行了比较，并展示了将我们的方法与基于数据的方法相结合的性能。

Aug, 2023