神经模块化物理：弹性模拟
机器学习
2025-12-18 v1 计算工程、金融与科学
摘要
学习方法在物理仿真领域取得了显著进展，通常以单一的端到端优化神经网络来逼近动力学。尽管这些模型提供了有效的仿真方式，但可能丢失相对于传统数值模拟器的关键特征，如物理可解释性和可靠性。drawing inspiration from classical simulators that operate in a modular fashion, 本文提出了用于弹性仿真的神经模块化物理 (Neural Modular Physics, NMP)，该方法将神经网络的逼近能力与传统仿真器的物理可靠性相结合。除了以往的单一学习范式外，NMP 通过将弹性动力学分解为通过中间物理量相连的物理意义上的神经模块，实现对中间量和物理约束的直接监督。凭借专门的架构和训练策略，我们的方法将数值计算流程转化为模块化神经仿真器，实现更好的物理一致性和可泛化性。实验表明，NMP 在 unseen initial conditions 和分辨率上的泛化能力优于其他神经仿真器，能够进行稳定的长期仿真，更好地保存物理属性，并且在底层动力学未知的场景下具有更大的可行性。
引用
@article{arxiv.2512.15083,
title = {Neural Modular Physics for Elastic Simulation},
author = {Yifei Li and Haixu Wu and Zeyi Xu and Tuur Stuyck and Wojciech Matusik},
journal= {arXiv preprint arXiv:2512.15083},
year = {2025}
}