MaNGO - 基于元学习的可适应图网络模拟器
机器学习
2025-10-23 v2
摘要
准确模拟物理学是贯穿多个科学领域的关键任务，应用范围从机器人到材料科学。虽然传统网格化方法精确，但往往计算昂贵且需要物理参数（如材料属性）的知识。相比之下，数据驱动的方法如图网络模拟器 (GNS) 速度更快，但面临两个关键局限：首先，它们必须为即使是轻微物理参数变化重新训练；其次，它们需要为每个新的参数设置收集大量数据。这在效率上非常低下，因为具有不同参数的仿真往往共享相同的底层潜在结构。本文我们通过元学习来学习这种共享结构，实现对新物理参数的快速适应，无需重新训练。为此，我们提出了一种新型架构，通过对图轨迹进行编码来生成潜在表示，采用条件神经过程 (CNP)。为缓解随时间推移导致的误差累积，我们将 CNP 与一种新型神经算子架构相结合。我们对 Meta Neural Graph Operator (MaNGO) 的方法进行了验证，在多个具有不同材料属性的动力学预测任务上表现优于现有 GNS 方法。值得注意的是，MaNGO 在未见材料属性上的准确率接近 oracle 模型。
引用
@article{arxiv.2510.05874,
title = {MaNGO - Adaptable Graph Network Simulators via Meta-Learning},
author = {Philipp Dahlinger and Tai Hoang and Denis Blessing and Niklas Freymuth and Gerhard Neumann},
journal= {arXiv preprint arXiv:2510.05874},
year = {2025}
}
备注
20 pages including appendix. NeurIPS 2025 (camera ready version)