CORGI：用于拉格朗日动力学仿真的带卷积残差全局相互作用的GNN
机器学习
2025-12-01 v1
摘要
偏微分方程（PDEs）是动力学系统建模的核心，尤其在水动力学领域，传统求解器在处理非线性和计算成本方面常常不堪一击。拉格朗日神经网络替代模型，如GNS和SEGNN，已作为强大的替代方案，通过从基于粒子的仿真中学习。然而，这些模型通常具有受限的感受野，难以捕捉流体运动中本质上的全局相互作用。鼓励此观察结果，我们引入了卷积残差全局相互作用（CORGI），这是一种混合架构，为任何GNN-based求解器增添轻量级的欧拉亚组件，以实现全局上下文聚合。通过将粒子特征投影到网格上、应用卷积更新，然后映射回粒子域，CORGI在不增加显著开销的情况下捕捉长程依赖。当应用于GNS主干架构时，CORGI在滚动准确性上实现了57%的提升，仅增加13%的推理时间和31%的训练时间。相较于SEGNN，CORGI在准确性上提高了49%，推理时间缩短48%，训练时间缩短30%。即使在相同的运行时约束下，CORGI也在平均情况下超过GNS 47%，凸显了其在各种计算预算下的灵活性和性能。
引用
@article{arxiv.2511.22938,
title = {CORGI: GNNs with Convolutional Residual Global Interactions for Lagrangian Simulation},
author = {Ethan Ji and Yuanzhou Chen and Arush Ramteke and Fang Sun and Tianrun Yu and Jai Parera and Wei Wang and Yizhou Sun},
journal= {arXiv preprint arXiv:2511.22938},
year = {2025}
}