研究人员开发了Newmark-η-DGN，一个新颖的图神经网络框架，旨在从离散采样轨迹中推断未观测的力学响应，尤其是在粗粒度时间尺度上。该方法结合了受Newmark-η方法启发的半隐式更新和用于系统级耦合的算子加权虚拟中心。该框架已证明在预测可变形梁、人体运动和蛋白质动力学等系统的长时程运动方面具有有效性，即使在传统学习模拟器失败的情况下也是如此。值得注意的是，Newmark-η-DGN可以在没有力、力矩或本构关系直接监督的情况下推断力学量，将粗粒度预测与未观测力学特性的推断联系起来。 AI
影响 这项研究通过从观测到的运动中推断隐藏的力学特性，有望实现对物理系统更准确的模拟和分析。
排序理由 详细介绍新方法及其评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
