面向 3D 计算流体动力学的多尺度神经算子 MNO
机器学习
2026-02-26 v2 人工智能
摘要
神经算子已成为求解偏微分方程 (PDE) 的强大数据驱动方法，但在不规则域上（流体运动在此类域上常呈现丰富的多尺度结构），其精度与可扩展性仍受限。本文引入了多尺度神经算子 (MNO)，一种用于 3D 非结构化点云计算流体动力学 (CFD) 的新型网络架构。MNO 显式地在三个尺度上分解信息：全局维度压缩注意力模块用于捕获长程依赖、局部图注意力模块用于处理邻域级交互、微型点级注意力模块用于捕获细粒度细节。该设计既保留了多尺度归纳偏置，又保持了计算效率。我们在多项基准测试上对 MNO 进行评估，涵盖稳态与非稳态流动场景，点数最高可达 30 万。所有任务中，MNO 均一致优于最新基线，预测误差降低 5%~50%。结果凸显了在神经算子中显式多尺度设计的重要性，并将 MNO 确立为解决不规则域上复杂流体动力学问题的可扩展学习框架。
引用
@article{arxiv.2510.16071,
title = {MNO: Multiscale Neural Operator for 3D Computational Fluid Dynamics},
author = {Qinxuan Wang and Chuang Wang and Mingyu Zhang and Jingwei Sun and Peipei Yang and Shuo Tang and Shiming Xiang},
journal= {arXiv preprint arXiv:2510.16071},
year = {2026}
}