FluidFormer：用于基于粒子的流体仿真的连续卷积 Transformer
高能物理 - 唯象学
2025-08-05 v1
摘要
学习式流体仿真网络已被证明是求解 Navier-Stokes 方程的可行替代方案。现有神经方法遵循平滑粒子流体动力学 (SPH) 框架，仅依赖局部粒子相互作用。然而，我们强调全局上下文整合对于学习方法稳定复杂流体仿真同样至关重要。我们提出了第一个 Fluid Attention Block (FAB)，具备局部-全局层次结构，其中连续卷积提取局部特征，而自注意力捕获全局依赖关系。这种融合抑制了误差累积并建模了长程物理现象。此外，我们首次设计专为连续流体仿真而构建的 Transformer 架构，无缝集成于双流水线架构中。我们的方法为神经流体仿真建立了新的范式，通过统一基于卷积的局部特征与基于注意力的全局上下文建模。FluidFormer 在复杂流体场景中表现出领先的性能，具有更强的稳定性。
关键词
引用
@article{arxiv.2508.01536,
title = {Light hadronic decays of spin-0 partner of $X(3872)$},
author = {Hong-Shuo Gao and Zu-Xin Cai and Gang Li and Shi-Dong Liu},
journal= {arXiv preprint arXiv:2508.01536},
year = {2025}
}
备注
9 pages, 7 figures, accepted by CPL