PEGNet：用于长期稳定多物理场仿真的物理嵌入图网络
机器学习
2025-11-13 v1
摘要
准确且高效地模拟由偏微分方程（PDE）控制的物理现象对于科学和工程进步至关重要。虽然传统数值求解器功能强大，但往往计算昂贵。最近，数据驱动方法作为替代方案不断出现，但它们经常 suffer from 误差累积和有限的物理一致性，尤其是在多物理场和复杂几何形态下。为解决这些挑战，我们提出了 PEGNet（Physics-Embedded Graph Network），一种 incorporates PDE-guided message passing 以重新设计图神经网络架构的物理嵌入图网络。通过将对流、粘性和扩散等关键 PDE 动力学嵌入到 distinct message functions 中，该模型自然地将物理约束集成到其前向传播中，从而产生更稳定和物理上一致的解。此外，采用分层架构来捕获多尺度特征，并将物理正则化集成到损失函数中，以进一步强制遵守支配方程。我们在基准数据集上对 PEGNet 进行了评估，包括用于呼吸气流和药物输送的定制数据集，显示在长期预测准确性和物理一致性方面相较于现有方法存在显著改进。我们的代码已提供，链接为 https://github.com/Yanghuoshan/PEGNet。
引用
@article{arxiv.2511.08697,
title = {PEGNet: A Physics-Embedded Graph Network for Long-Term Stable Multiphysics Simulation},
author = {Can Yang and Zhenzhong Wang and Junyuan Liu and Yunpeng Gong and Min Jiang},
journal= {arXiv preprint arXiv:2511.08697},
year = {2025}
}