几何信息神经算子转换器
机器学习
2025-12-15 v5 计算物理
摘要
基于机器学习的代理模型在需要重复求解偏微分方程的情形下，具有显著的计算效率和 faster 仿真优势。本工作引入了几何信息神经算子转换器（GINOT），将转换器架构与神经算子框架相结合，实现对任意几何形状的前向预测。GINOT 采用抽样与分组策略结合注意力机制，对编码表面点云，这些点云是无序的、呈非均匀点密度分布，并且在不同几何形状间点数不同。几何信息通过注意力机制无缝地与解码器中的查询点相集成。GINOT 在多个具有挑战性的数据集上进行了验证，展示了其在复杂且任意的二维和三维几何形状上的高精度和强泛化能力。
引用
@article{arxiv.2504.19452,
title = {Geometry-Informed Neural Operator Transformer},
author = {Qibang Liu and Weiheng Zhong and Hadi Meidani and Diab Abueidda and Seid Koric and Philippe Geubelle},
journal= {arXiv preprint arXiv:2504.19452},
year = {2025}
}