使用图嵌入网络学习基于网格的仿真
本研究提出了一种基于图神经网络的模拟器框架，通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象，模型从单一粒子预测到测试时的数千个粒子，并且能够处理不同的初始条件和数万个时间步骤，具有较强的可靠性与预测能力。
Feb, 2020
本文讲解了如何通过域分解方案将 MeshGraphNets（MGN）应用于具有百万节点的 3D 网格，进而生成计算流体力学（CFD）模拟结果，并通过高阶数值积分技术提高 MGN 的准确性和训练时间，为其在实际应用中的大规模使用提供了有效的路径。
Apr, 2023
利用最近的贝叶斯元学习方法将网格模拟作为元学习问题来处理，通过利用上下文数据和处理不确定性来提高图网络模拟器对新场景的适应性，结合运动原语实现高效的全轨迹预测，并验证了该方法的有效性。
Nov, 2023
该研究论文介绍了 PI-MGNs，一种将 PINNs 和 MGNs 相结合的混合方法，用于在任意网格上快速准确地解决非稳态和非线性偏微分方程的热工过程模拟。
Feb, 2024
本文介绍了一个基于约束的机器学习模拟框架，使用图神经网络实现约束函数，并通过求解优化问题计算未来预测，可应用于多种具有挑战性的物理领域，提供了传统模拟和数值方法的归纳偏差。
Dec, 2021
该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。
May, 2023
MultiScaleGNN 是一种新型的多尺度图神经网络模型，用于学习推断非稳态连续力学，可以推断具有不同尺度空间分辨率的系统状态，推断速度比传统方法快两至四个数量级。
Jun, 2021
本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习模型提高效率的潜力。
Mar, 2023
准确模拟真实世界物体动态对于机器人、工程、图形和设计等各种应用至关重要。我们提出了一种减少运行基于图网络的学习模拟器所需内存的方法。基于这种内存高效的模拟模型，我们提供了一种感知界面，以可编辑的 NeRFs 形式将真实世界场景转换为图网络模拟器可以处理的结构化表示。我们展示了我们的方法使用的内存远远少于以前基于图网络的模拟器同时保持其准确性，并且合成环境中学习的模拟器可以应用于从多个摄像机角度捕捉的真实世界场景，从而扩展了学习模拟器在仅在推断时有感知信息的设置中的应用。
Jan, 2024