AAAIJun, 2021

三维模拟的边界图神经网络

PDF
TL;DR本文提出一种基于粒子 - 边界相互作用的有效模型，构建了 Boundary Graph Neural Networks (BGNNs) 用于模拟颗粒与复杂三维物体边界的交互，实现了颗粒传输和混合熵的预测准确性，并取得了出色的计算效率和模拟精度。
发现论文，激发创造
  • 基于图神经网络的颗粒流代理模型

    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

  • 基于图神经网络学习的三维颗粒流动模拟

    使用图神经网络开发了基于 GNN 的 granular flows 模拟器（GNS），成功复现了各种纵横比的柱体崩塌的整体行为，并且计算速度比高保真数值模拟器快 300 倍。

    Nov, 2023

  • 多物理信息神经网络在多变量时间序列中的键合图

    我们提出了一种结合了 Bond Graphs 和 Graph Neural Network 的神经物理信息编码器（NBgE），用于解决复杂的多物理领域任务。通过实验证明了该方法在多变量时间序列预测任务上的有效性。

    May, 2024

  • 基于图神经网络的预测颗粒破碎强度的混合框架

    通过使用图神经网络（Graph Neural Networks）来建模颗粒破碎中的颗粒片段之间的连接性，本研究生成了一个大规模的数据集，以促进颗粒破碎的机器学习研究，并通过一个基于图神经网络的混合框架来预测颗粒破碎强度，最后通过与传统机器学习方法和传统 MLP 进行对比验证其有效性。

    Jul, 2023

  • 图神经网络与三维拓扑

    本研究测试应用几何深度学习到低维拓扑问题的效果，在一个简单的模型中，使用图神经网络来判断一对图是否给出同构三维多样体，通过监督学习和强化学习来训练和优化神经网络模型的准确率和效率。

    May, 2023

  • 粒子物理中的图神经网络

    介绍了图神经网络在粒子物理学中应用的各种情况，并探讨了它在粒子物理学中的潜在应用。

    Jul, 2020

  • 基于贝叶斯网格优化的图神经网络用于增强工程性能预测

    提出用于 3D 深度学习辅助建模的贝叶斯图神经网络框架，通过直接从 CAD 中学习几何特征进行工程性能预测，通过贝叶斯优化确定网格元素的最佳大小，实现高准确性的辅助模型。

    Jun, 2024

  • 带有邻居交互的双线性图神经网络

    本文提出了 Bilinear Graph Neural Network (BGNN) 作为一种新的图卷积运算符，它增加了邻居节点表示的成对交互，从而在半监督节点分类任务中提高了 GNN 的表示能力。实验结果表明，BGNN 模型的性能优于现有的 GNN 模型。

    Feb, 2020

  • 学习增强可扩展代理以用于网格物理学的科学计算算法

    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

  • 利用多尺度图神经网络模拟连续介质力学

    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