Sep, 2023

基于可微分图网络的加速粒子和流体模拟解决前向和逆向问题

PDF
TL;DR利用物理嵌入可微分图网络模拟器（GNS）来加速颗粒和流体模拟，解决正向和反向问题，并通过 GNS / 材料点方法（MPM）提出了一种新的混合方法，以加速正向模拟并解决反向问题。
physics-embedded differentiable graph network simulatorsparticulate and fluid simulationshybrid gns/material point methodinverse problemsai-accelerated design
发现论文，激发创造
  • 使用可微分图神经网络模拟器的颗粒流反演分析

    通过将系统表示为图并给出当前状态，我们提出了一种新颖的可微图神经网络模拟器（GNS），它通过结合图神经网络的反向模式自动微分和基于梯度的优化来解决逆问题，该可微 GNS 能够超出训练数据的优化能力，我们通过评估材料参数和边界条件以及设计挡板位置来限制滑坡，对单参数和多参数优化问题展示了我们方法的有效性。

    Jan, 2024

  • 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

  • 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

  • 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

  • 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

  • 用有限差分信息图网络求解块结构网格上的恒定不可压缩流

    使用图网络和图卷积有限差分方法来解决参数化设置下具有复杂流场的流动问题，与传统计算流体力学求解器相比，该方法在训练效率和准确性上都有所提升。

    Jun, 2024

  • 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

  • 反思材料模拟：将直接数值模拟与神经算子相融合

    基于数值求解器和神经算子的新方法可加速直接数值模拟，具有高达 16.5 倍的加速效果，并可应用于多种演化模型。

    Dec, 2023