基于约束的图网络模拟器

Dec, 2021

Constraint-based graph network simulator

Yulia Rubanova, Alvaro Sanchez-Gonzalez, Tobias Pfaff, Peter Battaglia

TL;DR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。

Abstract

In the area of physical simulations, nearly all neural-network-based methods directly predict future states from the input states. However, many traditional simulation engines instead model the constraints of the system and select the state which satisfies them. Here we present a frame

physical simulations neural networks constraint-based learned simulation graph neural network optimization

发现论文，激发创造

利用图网络学习模拟复杂物理现象

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

使用图嵌入网络学习基于网格的仿真

MeshGraphNets 是一种利用图神经网络学习网格化仿真的框架，具有自适应性和高效性，能够应用于广泛的物理系统仿真任务。

Oct, 2020

用神经投影学习物理约束

我们提出了一种新的神经网络家族，通过学习基础约束条件来预测物理系统的行为，其中我们的神经投影算子是核心，可以自动有效地发现各种约束条件，并预测不同物理系统的管辖行为。

Jun, 2020

可学习的物理引擎图网络用于推理和控制

介绍了一种基于图网络的学习模型，实现了对象和关系为中心的表示的归纳偏差，从而能够更准确地预测复杂动态系统的行为，并支持在线与离线规划。

Jun, 2018

基于物理知识约束的神经网络用于动力系统建模

利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

Sep, 2021

潜在的任务特定图网络模拟器

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

利用物理传感器观测基于图模型的网络模拟器校准

该论文提出一种结合实际感知信息的模型，利用点云数据预测可变形物体的网格状态，实现对物理模拟的准确长期预测，尤其是在存在未知物质属性等不确定性的情况下。

Feb, 2023

DeepSaDe：学习保证域约束满足的神经网络

本文提供了一种训练神经网络的方法，用于满足各种领域约束。该方法将线性模型学习的思路引入神经网络，并添加了关键的约束传播和基于梯度下降和 CSP 求解的权重更新。实验结果表明，该方法足够灵活，可以保证满足神经网络中的广泛分布的约束。

Mar, 2023

受限空气动力学数据集的快速神经网络预测

本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

Jan, 2019

神经符号模型对自然限制的保证一致性

本研究提出了一种基于神经符号模型的方法，可以实现对模型的确定性接纳，并在三项案例中进行了实验验证。

Dec, 2022