MeshGraphNet-Transformer：面向固体力学的可扩展网格基学习仿真
机器学习
2026-02-06 v3
摘要
我们提出了 MeshGraphNet-Transformer (MGN-T)，这是一种新型架构，融合了 Transformer 的全局建模能力与 MeshGraphNet 的几何归纳偏置，同时保持网格基图表示。MGN-T 克服了标准 MGN 在大规模高分辨率网格上因迭代消息传递导致的效率低下问题。一种物理注意力 Transformer 作为全局处理器，同时更新所有节点状态，显式保留节点和边属性。通过直接捕获长程物理相互作用，MGN-T 无需深层消息传递堆叠或层次化简化网格，即可在工业规模的高分辨率网格上高效学习，支持几何、拓扑和边界条件各异的情形。我们展示了 MGN-T 能够处理用于冲击动力学的工业规模网格，标准 MGN 在此场景下因消息传递不足而失败。该方法准确地建模了自接触、塑性及多变量输出，包括内部、现象性塑性变量。此外，MGN-T 在经典基准测试上超越了当前最先进的方法，在保持实用效率的同时实现更高精度，仅使用部分参数即可匹配竞争基线。
关键词
引用
@article{arxiv.2601.23177,
title = {MeshGraphNet-Transformer: Scalable Mesh-based Learned Simulation for Solid Mechanics},
author = {Mikel M. Iparraguirre and Iciar Alfaro and David Gonzalez and Elias Cueto},
journal= {arXiv preprint arXiv:2601.23177},
year = {2026}
}