MeshGraphNets
PulseAugur coverage of MeshGraphNets — every cluster mentioning MeshGraphNets across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MeshGraphNet-Transformer架构增强了固体力学仿真
研究人员推出MeshGraphNet-Transformer (MGN-T)，这是一种专为固体力学中可扩展的基于网格的学习仿真而设计的新架构。该模型结合了Transformer的全局建模能力和MeshGraphNets的几何归纳偏置，解决了标准MeshGraphNets中存在的长距离信息传播的局限性。MGN-T在工业规模网格的冲击动力学方面表现出卓越的性能，能够准确地模拟复杂的物理交互，并且以更少的参数在准确性和效率上超越了现有方法。
-
新型MPNO模型增强瞬态动力学预测的稳定性
研究人员开发了一种名为本构马尔可夫物理信息神经网络算子 (MPNO) 的新型神经网络算子，旨在提高瞬态动力学预测的稳定性，特别适用于具有强间断性的问题。与易受自回归不稳定性影响的小波神经网络算子 (WNO) 或仅能涌现稳定性的傅里叶神经网络算子 (FNO) 不同，MPNO 在结构上内置了限制其传播算子谱半径的约束。这种设计确保了具有有界误差的稳定自回归展开，这在 Burgers 方程和混凝土穿透模拟等偏微分方程 (PDE) 问题上得到…
-
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…
-
新的测试方法验证科学机器学习代理
研究人员开发了一种新的方法来测试科学机器学习（SciML）代理，这些代理可以近似复杂的模拟。所提出的方法称为域有效性门控变形测试，解决了在无法获得精确输出时验证这些代理的挑战。它引入了一个评分标准来筛选候选的变形关系是否具有域有效性，以及一个可执行资产格式来记录测试细节和判决。对 MeshGraphNets 和 PhysicsNeMo 的案例研究证明了该方法能够区分模型级别的违规和域外应用。