面向可变形刚体相互作用的自适应空间分词学习
机器学习
2025-07-21 v1
摘要
模拟可变形刚体的相互作用在材料科学、机械设计和机器人等领域至关重要。虽然基于图神经网络 (GNN) 的学习方法在解决复杂物理系统方面效果良好，但在建模可变形刚体相互作用时面临可扩展性问题。为建模对象之间的相互作用，必须动态创建成对的全局边，这在大规模网格上计算负担沉重且不实用。为克服这些挑战，基于几何表示的洞察，我们提出了一种自适应空间分词 (Adaptive Spatial Tokenization, AST) 方法，用于高效表示物理状态。通过将仿真空间划分为网格单元，并将非结构化网格映射到该结构化网格上，本方法自然地将相邻网格节点分组。随后，我们应用交叉注意力模块将稀疏单元格映射到紧凑的固定长度嵌入，用作整个物理状态的 token。采用自注意力模块在这些 token 上进行隐空间预测，以实现准确且可扩展的仿真结果。广泛的实验表明，我们的方法在建模可变形刚体相互作用方面显著优于现有最先进的方法。尤其是在节点数超过 10 万的大规模仿真中，现有方法因计算限制而难以运行。此外，我们贡献了一个涵盖广泛可变形刚体相互作用的大型数据集，以支持该领域的后续研究。
引用
@article{arxiv.2507.13707,
title = {Learning Deformable Body Interactions With Adaptive Spatial Tokenization},
author = {Hao Wang and Yu Liu and Daniel Biggs and Haoru Wang and Jiandong Yu and Ping Huang},
journal= {arXiv preprint arXiv:2507.13707},
year = {2025}
}
备注
21 pages, 15 figures