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

基于图卷积网络（GCN）的代理模型用于近似多相流体动力学在多孔介质中的时空解，并在不规则域几何和非结构化网格上具有良好的泛化能力。

Jul, 2023

基于网格的数值求解器，代理模型，预测 - 校正方法，基于图机器学习，分布式模型。

Jul, 2023

本文提出了一种基于受物理约束的深度学习的代理建模方法，以替代传统的基于数值模拟的建模方法，在流体力学问题中得到了很好的应用表现。

Jun, 2019

本文中介绍基于条件深度生成模型和卷积神经网络的 CVAE 方法，旨在构建适用于高维数据和具有不确定性的结构健康监测的模型。在两个与结构健康监测相关的数字示例中，模型具有高重构精度和较好的抗负载能力。

Feb, 2023

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。

Oct, 2023

提出了一种新颖的两阶段机器学习的代理建模框架，用于解决科学和工程领域中的反问题。该框架的独特贡献在于集成了符合推理，提供了一种多功能且高效的方法，可以广泛应用。通过进行基准测试和研究集中在纤维增强复合材料的微机械建模的工程应用，结果证实了我们提出的框架的优越性，因为它始终产生更可靠的解决方案。因此，引入的框架为促进机器学习的代理模型在实际应用中的相互作用提供了独特的视角。

Jan, 2024

本文提出了使用动态异构图来处理自动驾驶中复杂的动态场景问题，并设计了一种新颖的异构图卷积循环神经网络来捕捉动态图中不同交互信息和其演进，进而准确预测车辆的多模态未来轨迹。

Mar, 2023

研究了利用多尺度分解通过层次拓扑信息的新型体系结构，并通过 Girvan-Newman 层次聚类算法生成了一棵树，使得架构可以学习从粗到细的多尺度潜在空间表示，并在基准引文网络上表现出竞争力。

Jun, 2020

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