HI-MeshGraphNets 使用分层 GNN 增强物理学习

研究人员引入了 HI-MeshGraphNets (HI-MGN)，这是一种新颖的多尺度图神经网络 (GNN) 扩展，旨在对大型模拟网格进行更高效、更准确的物理学习。与每层传播一次信息的一跳传播的传统 GNN 不同，HI-MGN 采用分层方法。该方法使用最远点采样和 Voronoi 分区对图进行粗化，从而使信息能够以更少的层传播更远的距离。然后，一个学习到的插值网络从粗略的图表示中重建精细分辨率特征。跨结构和流体动力学问题的基准测试表明，HI-MGN 在准确性方面优于现有的 MeshGraphNets 和 Bi-Stride Multi-Scale GNNs，同时减少了训练时间和内存使用量。 AI

影响 这种新架构可以实现更高效、更具可扩展性的物理模拟，从而可能加速科学发现和工程应用。

排序理由 这是一篇详细介绍物理学习新模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• Bi-Stride Multi-Scale GNN
• CatalyzeX
• DagsHub
• Gotit.pub
• Hierarchical Interpolating MeshGraphNets
• HI-MeshGraphNets
• Hugging Face
• MeshGraphNets
• ScienceCast

• 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 →