ICLRApr, 2023

学习增强可扩展代理以用于网格物理学的科学计算算法

PDF
TL;DR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。
data-driven modelinggraph neural networksmeshgraphnetscomputational fluid dynamics$co_2$-capture
发现论文，激发创造
  • 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

  • 大型 CFD 网格上图机学习模型的多 GPU 训练方法

    基于网格的数值求解器，代理模型，预测 - 校正方法，基于图机器学习，分布式模型。

    Jul, 2023

  • 基于深度学习的参数化偏微分方程代理模型：通过图神经网络处理几何变化

    基于图神经网络的代理模型在模拟时变偏微分方程方面具有计算效率和泛化能力，并有效替代传统的复杂求解器。

    Aug, 2023

  • 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

  • 一种用于预测 3D 网格节点数据的混合 GNN 方法

    介绍了一种基于图卷积的替代模型的混合方法，可以更便宜地进行加工和生成新的数据模拟，实现从网格数据到图或点云结构的转换，通过深度学习预测的结果与有限元方法产生的结果相似，且在生成模拟方面优于现有的 PointNet 和简单图神经网络模型。

    Oct, 2023

  • GNN-Surrogate: 用于探索非结构化网格海洋模拟参数空间的分层自适应图神经网络

    我们提出了基于图神经网络的代理模型 GNN-Surrogate 来探索海洋气候模拟的参数空间，其可以准确高效地预测模拟结果并帮助科学家通过用户指定的可视化映射探索模拟参数空间。

    Feb, 2022

  • 物理信息 MeshGraphNets（PI-MGNs）：适用于任意网格的非定常和非线性模拟的神经有限元方法

    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

  • 基于图神经网络的增强式专家引导网格生成的一致性预测

    该研究提出了一种基于图神经网络和专家指导的机器学习方案，用于自动生成飞机模型的计算流体动力学网格，通过引入一种新的三维分割算法、预测从三维网格到 CAD 表面的方法以及边缘统计保证和鲁棒的不确定性量化和处理，实现了避免精细度不足所导致的计算流体动力学网格生成失败，并通过真实案例研究证明了与专家生成网格质量可比的自动生成网格的有效性，使求解器能够收敛并产生准确结果。此外，通过与自适应重网格方法的对比，我们发现我们的方法在仿真过程中的速度是后者的 5 倍。

    Aug, 2023

  • 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

  • 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