MeshMask：基于掩码图神经网络的物理仿真
机器学习
2025-08-27 v3 流体动力学
摘要
我们提出了一种用于图神经网络（GNN）的新型掩码预训练技术，应用于计算流体动力学（CFD）问题。通过在预训练期间随机掩码最多40%的输入网格节点，我们迫使模型学习复杂流体动力学的鲁棒表征。我们将这种掩码策略与非对称编码器-解码器架构和门控多层感知器配合，以进一步提升性能。该方法在七个CFD数据集上实现了最新成果，包括一个包含每组超过25万个节点的3D颅内动脉瘤仿真新型具有挑战性的数据集。此外，它在涵盖广泛流体仿真任务的同时，显著提高了模型性能和训练效率。在与前所未有的最佳模型相比，长期预测精度提升了最高达60%，而保持类似的计算成本。值得注意的是，我们的方法能够有效地对多个数据集进行预训练，显著减少在新任务上获得高性能所需的时间和数据。通过大量消融研究，我们提供了关于最佳掩码比例、架构选择和训练策略的见解。
引用
@article{arxiv.2501.08738,
title = {MeshMask: Physics-Based Simulations with Masked Graph Neural Networks},
author = {Paul Garnier and Vincent Lannelongue and Jonathan Viquerat and Elie Hachem},
journal= {arXiv preprint arXiv:2501.08738},
year = {2025}
}