研究人员为基于图的网络模拟器（GNS）开发了一种参数高效的条件化机制，以改善材料泛化能力。通过专注于微调初始的消息传递层，该模型能够以显著减少的数据量适应不同的材料属性。与传统方法相比，这种方法使GNS能够准确预测未见过或中度外推的材料参数的结果，将数据需求减少了五倍。所开发的技术还使GNS能够用于逆问题，以识别未知的材料参数。 AI
影响 在物理模拟器中实现更具数据效率的材料泛化，可能加速逆向设计和控制任务。
排序理由 关于用于基于图的模拟器的新型参数高效条件化机制的学术论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2511.05456v2 Announce Type: replace Abstract: Graph network-based simulators (GNS) have demonstrated strong potential for learning particle-based physics (such as fluids, deformable solids, and granular flows) while generalizing to unseen geometries due to their inherent in…