English(EN) Physics-Informed Coarsening for Multigrid Graph Neural Surrogates

新型GNN采用物理信息粗粒化进行固体力学模拟

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-01 04:00

研究人员开发了一种新颖的多重网格图神经网络，用于模拟固体力学问题。这种新方法采用了一种物理信息粗粒化策略，根据节点局部的物理活动（如应变或应力集中）来优先排序节点。该方法旨在提高复杂可变形固体学习型代理的准确性和稳定性，在各种模拟中优于标准的采样基线。 AI

影响引入了一种更稳定、更准确的复杂物理系统模拟方法，有望加速材料科学和工程领域的研究。

排序理由该集群包含一篇研究论文，详细介绍了使用图神经网络模拟固体力学的新方法。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Amir Bazzi, David Cardinaux, Ramy Nemer, Jose Alaves, Arjun Kalkur Matpadi Raghavendra, Elie Hachem · 2026-06-01 04:00

用于多网格图神经网络代理的物理信息粗粒化

arXiv:2605.31013v1 Announce Type: new Abstract: Learning-based surrogates for partial differential equations have recently matched the accuracy of classical solvers while achieving orders-of-magnitude speedups, predominantly in fluid settings and structured geometries. In contras…