图神经网络加速磁体和断裂力学的物理模拟

研究人员开发了新颖的图神经网络（GNN）框架来加速复杂的物理模拟。一种方法SuperCond-GNN，使用GNN作为代理模型来预测超导磁体中的电压分布，实现了4.3%的平均绝对百分比误差，并为设计和监控提供了可扩展的推理能力。另一种混合GNN-FEM框架通过将GNN代理集成到传统的有限元方法中来处理相场断裂模拟，在保持准确性和跨不同问题设置的泛化能力的同时，显著降低了计算成本。 AI

影响 这些基于GNN的代理模型展示了在复杂物理模拟中实现显著加速的潜力，从而能够加快材料科学和工程等领域的设计探索和分析。

排序理由 该集群包含两篇学术论文，详细介绍了使用图神经网络进行科学模拟的新研究方法。

在 arXiv cs.LG 阅读 →

• arXiv
• GNN-FEM
• graph neural network
• Phase field models
• SciML
• HTS magnets
• Kirchhoff's current law
• SuperCond-GNN

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →