基于图神经网络的智能网格平滑方法
通过将网格生成相关的微分方程嵌入神经网络的损失函数中,我们提出了一种新的方法,3DMeshNet,用于三维结构化网格的生成。该方法以几何点为输入,学习参数化和计算域之间的潜在映射,并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明,3DMeshNet 稳健且快速,并且与传统的网格划分方法相比,产生优越的网格,并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间,将网格生成开销降低了 4 至 8 倍。
May, 2024
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
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
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
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
GND-Nets, a new graph neural network that exploits local and global neighborhood information, is proposed to mitigate the over-smoothing and under-smoothing problems of Graph Convolutional Networks, using a new graph diffusion method called neural diffusions, which integrate neural networks into the conventional linear and nonlinear graph diffusions.
Jan, 2022
本文研究了图神经网络的过度平滑问题,并提出了两个定量度量指标 MAD 和 MADGap。通过量化实验和分析,我们发现过度平滑是 GNNs 的基本性质,且由于节点接收到的噪声信息比例较高,是导致过度平滑的主要因素。最后我们提出了两种针对拓扑结构的方法:MADReg 和 AdaGraph,证明了这两种方法在 7 个广泛使用的图形数据集上都有效降低了过度平滑问题,并改善了各种 GNN 模型的性能。
Sep, 2019
本文提出了一种灵感来自 Bregman 距离概念的 GNNs 的新型双层优化框架,通过引入类似于 “跳跃连接” 的机制,有效地缓解了过度平滑问题,并证明了该方法在同质性和异质性图中优于原始 GNNs。实验证明,即使层数较高,Bregman GNNs 也能产生更稳健的学习精度,表明了该方法在缓解过度平滑问题方面的有效性。
Sep, 2023