Feb, 2024

LatticeGraphNet：用于模拟晶格结构的双尺度图神经网络操作器

HTML
PDF
TL;DR该研究引入了一个两尺度的图神经运算器(LatticeGraphNet，简称LGN)，作为三维格点零件和结构的昂贵非线性有限元模拟的代理模型。LGN具有两个网络：LGN-i用于学习格点的减少动态，LGN-ii用于学习从减少表示到四面体网格的映射。LGN能够预测任意格点的变形，因此被称为运算器。我们的方法在保持高准确性的同时显著减少了推断时间，为评估格点和结构的机械响应提供了高效的代理模型的使用。
发现论文，激发创造
  • 图元网络：自适应、结构化的计算和记忆

    本文探讨了使用图神经网络模拟没有先验图形结构的空间过程，以及通过计算优化和泛化学习输入输出关系等相关问题。

    Apr, 2019

  • 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

  • 带约束条件的等变图机械网络

    机器学习中，关于多个交互对象的关系和动态推理是一个具有挑战性的话题，我们提出了一种基于广义坐标的 Graph Mechanics Network (GMN) 方法，来隐式地表达在受限制系统中的几何约束，并在模拟系统和现实世界中进行的广泛实验证明了 GMN 相对于最先进的 GNN 在预测精度、约束满足性以及数据效率方面的优势。

    Mar, 2022

  • 应用图神经网络预测均匀受载钢板的应力

    本研究提出了一种新颖的图嵌入技术，通过将分离的板域视为顶点，利用图采样和聚合（GraphSAGE）预测具有不同几何形状的加劲板的应力分布，对比有限元 - 顶点图表示的方法，研究结果表明，图神经网络和所提出的图嵌入方法作为强大的三维结构的高效减阶模型具有巨大潜力。

    Sep, 2023

  • 基于微观结构的图神经网络用于加速多尺度模拟

    利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应，但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略，允许保持问题的多尺度特性，并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变，并保留微观本构材料模型以获得应力，我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度，并允许非局部性产生。通过对各种网格进行训练，GNN 学习了对未见过的网格的泛化，使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量，并提高了准确性。我们证明了对于几个具有挑战性的情景，代理模型能够预测复杂的宏观应力-应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律，因此我们的方法可以显著加速 FE2 模拟。

    Feb, 2024

  • 原子级材料建模中基于图的模型的可扩展训练：以HydraGNN为例

    基于HydraGNN的可扩展图基础模型(GFM)的开发和训练，具有高度的训练规模和数据多样性，以及并行训练算法的创新；我们使用超级计算资源展示了多个优化策略和性能，开发出适用于材料发现和设计的AI加速的GFM模型。

    Jun, 2024

  • 降阶神经算子：在高度稀疏图上学习拉格朗日动力学

    我们提出了一种神经操作器架构，用于模拟拉格朗日动力学，如流体流动、颗粒流动和弹塑性。

    Jul, 2024

  • 图神经网络在力学相关领域的应用综述

    本综述文章旨在深入概述图神经网络在力学相关领域中的应用，同时识别关键挑战并勾勒未来的研究方向，以填补目前在解决力学相关问题方面图神经网络最新进展的系统评述的空缺。

    Jul, 2024

  • 用于解决不规则域和非结构化网格上计算力学问题的时空谱图神经算子

    本研究解决了现有算子学习方法在非结构化网格和不规则域上应用时所面临的问题。提出的时空谱图神经算子（Sp$^2$GNO）有效整合了空间和谱图神经网络，克服了各自方法的局限，使其能够在任意几何形状上学习解算子。研究显示Sp$^2$GNO在求解时间依赖和时间无关的偏微分方程方面表现出色，具有广泛的实际应用潜力。

    Sep, 2024