PulseAugur
中
实时 03:58:25
English(EN) Cross-attention-based bipartite graph neural network for coupled nodal and elemental field prediction in large-deformation sheet material forming

新型二分图神经网络加速材料成形模拟

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的基于交叉注意力的二分图神经网络（CAtt-BiGNN），以加速大变形板料成形中的模拟。该模型将网格节点和单元视为不同但相互关联的实体，从而能够更准确地预测节点位移和单元变薄。一种分层扩展CAtt-BiUGNN通过结合图下采样和上采样技术，进一步提高了在大网格上的性能。 AI

影响 这种新模型可以显著加速复杂的工程模拟，从而实现更快的设​​计迭代和材料开发。

排序理由 该集群包含一篇详细介绍用于科学模拟的新机器学习模型的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yingxue Zhao, Haoran Li, Haosu Zhou, Tobias Pfaff, Nan Li ·

    Cross-attention-based bipartite graph neural network for coupled nodal and elemental field prediction in large-deformation sheet material forming

    arXiv:2605.22845v1 Announce Type: cross Abstract: Finite element simulations of large-deformation sheet material forming involve node-element coupling between nodal kinematics and element-level deformation measures. Machine-learning surrogates can accelerate such simulations, but…

相关话题