面向材料泛化的参数高效条件化：基于图的模拟器
机器学习
2026-04-27 v2
摘要
基于图网络的模拟器（GNS）已在学习粒子物理（如流体、可变形固体和颗粒流）方面展现出强大的潜力，能够因其内在的归纳偏置而对未知几何形状进行泛化。然而，现有模型通常针对单一材料类型进行训练，无法在不同本构行为之间进行泛化，限制了其在实际工程场景中的应用。以颗粒流为例，我们提出了一种参数高效的条件化机制，使GNS模型对材料参数具有适应性。我们识别到，对材料属性的敏感性集中在早期消息传递（MP）层中，这一发现与本构模型（如摩-克罗尔模型）的局部性质及其对信息传播的影响相联系。我们通过实证验证表明，仅对预训练模型的前几层（1-5层，共10层）进行微调，即可获得与对整个网络进行微调相当的测试性能。基于这一洞见，我们提出了一种参数高效的特征线性调制（FiLM）条件化机制，旨在针对这些早期层进行条件化。该方法在对未见的、插值或适度外推的值（例如摩擦角最高可达2.5度，聚合系数最高可达0.25 kPa）上进行长期滚动预测时表现精准，这些预测仅基于来自新材料的12条短模拟轨迹进行训练，相较于基线多任务学习方法实现了约5倍的数据降低。最后，我们通过应用于逆问题，成功地从轨迹数据中识别了未知的聚合系数。该方法使GNS能够用于逆向设计和闭环控制任务，其中将材料属性视为设计变量。
引用
@article{arxiv.2511.05456,
title = {Parameter-Efficient Conditioning for Material Generalization in Graph-Based Simulators},
author = {Naveen Raj Manoharan and Hassan Iqbal and Krishna Kumar},
journal= {arXiv preprint arXiv:2511.05456},
year = {2026}
}