潜在的任务特定图网络模拟器

Nov, 2023

Latent Task-Specific Graph Network Simulators

Philipp Dahlinger, Niklas Freymuth, Michael Volpp, Tai Hoang, Gerhard Neumann

TL;DR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。

Abstract

Simulating dynamic physical interactions is a critical challenge across multiple scientific domains, with applications ranging from robotics to material science. For mesh-based simulations, Graph Network Simulators (GNSs) pose an efficient alternative to traditional physics-based simulators. Their inherent differentiability and speed make them particularly w

mesh-based simulation graph network simulator meta-learning uncertainty handling movement primitives

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

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

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。

Sep, 2023

基于约束的图网络模拟器

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。

Dec, 2021

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

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

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

使用子等变图神经网络学习物理动力学

本文提出了一种新颖的基础方法，称为 Subequivariant Graph Neural Network，并解决了在物理动力学中如何将物理定律所包含的对称性协同模型设计以及模型如何处理物理世界中不同形状、尺寸和属性的物体等问题。该模型在 8 个场景的 Physion 数据集中，平均接触预测准确率有超过 3％的提高，在 RigidFall 数据集中有 2 倍的低回滚均方误差，并展现出强大的泛化能力和数据效率。

Oct, 2022

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