通过几何感知算子学习与内存高效低秩注意力实现高保真工业碰撞动力学预测

汽车碰撞安全性优化仍然是一个安全关键挑战，需要通过迭代的高保真模拟来管理大规模非线性结构变形和能量耗散。虽然传统的有限元求解器在计算上代价高昂，但新兴的算子学习框架提供了快速的替代模型预测；然而，将其应用于工业规模的碰撞分析（其中复杂几何形状、接触非线性和快速演变的瞬态变形并存）仍然是一个未解决的挑战。在本文中，我们证明了GeoTransolver框架为在工业规模上进行准确、高保真的碰撞动力学预测提供了可行的解决方案。在复杂的保险杠梁和整车碰撞数据集上进行基准测试，GeoTransolver捕捉了多尺度几何上下文，并准确解析了塑性变形模式以及关键乘员位置的加速度曲线。除了架构本身，我们提出并系统评估了一套时间预测方案，包括一次性、时间条件和自回归展开策略，证明了一次性方法在显著降低训练开销和推理延迟的同时，达到了最先进的精度。作为次要贡献，我们引入了一种基于快速低秩注意力路由引擎的GeoTransolver注意力骨干修改，该修改将内存开销减少了约2倍，同时进一步提高了对$O(N)$长程、高频瞬态的预测精度，保留了基础框架的几何感知交叉注意力优势。我们的结果突显了几何感知算子学习在复杂、安全关键的汽车动力学高保真替代建模中的实际可行性。