面向可变形物体的守恒动量图神经网络
机器学习
2026-04-30 v1 人工智能
图形学
摘要
图神经网络(GNNs)已成为建模可变形材料动态行为的通用且高效选项。尽管 GNNs 易于推广到任意形状、网格拓扑和材料参数，但现有架构在预测关键物理量如线动量和角动量的时间演化方面存在挑战。在本工作中，我们提出了 MomentumGNN -- 一个专为准确跟踪动量而设计的新型架构。不同于输出受约束节点加速度的现有 GNNs，我们的模型预测每个边缘的拉伸和弯曲冲量，这保证了线动量和角动量的保护。我们以无监督方式训练该网络，使用基于物理的损失函数，我们展示了该方法在动量发挥关键作用的多个常见情景中优于基线方法。
引用
@article{arxiv.2604.26097,
title = {Momentum-Conserving Graph Neural Networks for Deformable Objects},
author = {Jiahong Wang and Logan Numerow and Stelian Coros and Christian Theobalt and Vahid Babaei and Bernhard Thomaszewski},
journal= {arXiv preprint arXiv:2604.26097},
year = {2026}
}
备注
Accepted to 3DV 2026