基于BSMS-GNN的高效网格物理仿真学习
机器学习
2026-05-27 v5
摘要
利用扁平图神经网络（GNN）和堆叠消息传递（MP）在大规模网格上学习物理仿真具有挑战性，原因在于随节点数量增长的复杂度以及过平滑问题。社区内对引入多尺度结构到GNN以进行物理仿真的兴趣日益增长。然而，当前最先进的方法受限于依赖人工绘制较粗网格或基于空间邻近构建较粗层级，这可能引入跨几何边界的错误边。受二部图判定的启发，我们提出了一种新颖的池化策略，即bi-stride（双步长），以解决上述局限。Bi-stride在广度优先搜索（BFS）的每隔一个前沿上池化节点，无需手动绘制较粗网格，并通过空间邻近避免错误边。此外，它实现了每层级单MP方案以及通过插值进行的非参数化池化与反池化，类似于U-Net，显著降低了计算成本。实验表明，所提出的框架BSMS-GNN在代表性物理仿真中，在精度和计算效率方面均显著优于现有方法。
引用
@article{arxiv.2210.02573,
title = {Efficient Learning of Mesh-Based Physical Simulation with BSMS-GNN},
author = {Yadi Cao and Menglei Chai and Minchen Li and Chenfanfu Jiang},
journal= {arXiv preprint arXiv:2210.02573},
year = {2026}
}
备注
Updates summary: fix the missing remark for yadi and menglei (* mention work partially done during while they are at snap inc.)