Oct, 2023

使用图形样条网络学习高效的代理动态模型

PDF
TL;DR提出 GraphSplineNets 深度学习方法，在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性，包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。
发现论文，激发创造
  • SplineNets: 连续神经决策图

    SplineNets 是一种新颖的卷积神经网络中使用条件的实用方法，可以显著降低 CNN 的运行时复杂度和计算成本，同时保持甚至提高精度。

    Oct, 2018

  • 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

  • DeepSpline: 参数曲线和曲面的数据驱动重建

    本文提出了一种基于深度学习架构的样条拟合方法，可以用于根据图像或点云输入重构几何图形，与传统的基于样条的方法相辅相成。

    Jan, 2019

  • 多层次代理学习结构动力学在使用图卷积神经网络的汽车碰撞安全中

    提出了一种多层次框架，用于在不同分辨率级别上为碰撞模拟构建多个代理模型，以适应不同的硬件要求和增加的精度。

    Feb, 2024

  • SplineCNN：使用连续 B 样条核进行快速几何深度学习

    本文提出了用于不规则结构和几何输入的变体卷积神经网络 —— 基于样条的卷积神经网络，其创新之处在于基于 B 样条的卷积算子，使得计算时间不受卷积核大小的影响。作者在图像图形分类、形状对应和图节点分类等任务中验证了该方法的有效性。

    Nov, 2017

  • 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

  • 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

  • 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

  • 建立混合 B 样条和神经网络算子

    基于深度 B 样条和数据驱动神经网络相结合的策略，提出了一种用于实时预测控制系统行为的混合 B 样条神经操作器，证明其作为通用逼近器的能力并提供了逼近误差的严格界限。在控制的 6 自由度四旋翼飞行器上通过实验验证了这些发现，并比较了全连接网络和循环神经网络在实际场景中的实用性和权衡。

    Jun, 2024

  • 使用图神经常微分方程实现复杂动态物理系统模拟

    本文提出了一种新颖的基于学习的模拟模型 - GNSTODE，以特征化通过统一的端到端框架来描述耦合粒子系统中的空间和时间依赖关系。通过对真实世界中的粒子相互作用观察进行训练，GNSTODE 能够精确地模拟任何可能的粒子系统。评估结果表明，所提出的 GNSTODE 比最先进的基于学习的模拟方法产生更好的模拟结果，并且可以作为处理实际应用中物理模拟问题的有效解决方案。

    May, 2023