面向OLED显示面板撞击预测的物理约束图神经网络
计算物理
2024-11-05 v1
摘要
本研究旨在预测多层显示面板受球体撞击作用下的物理量随时间的演化规律。为建模这些复杂相互作用，图神经网络 (Graph Neural Networks, GGNs) 作为表示对象及其关系的图结构而成为有前景的工具。其中，MeshGraphNets (MGNs) 在使用不规则网格数据捕捉动态物理仿真方面表现突出。然而，常规MGNs常常会产生非物理性 artifacts，例如对象穿透。为解决这一问题，我们提出一种物理约束MGN，通过抑制这些穿透问题，同时保持在时序预测中的高准确率。此外，为增强模型的鲁棒性，我们探讨了不同规模和不同组合目标组件(如球体、板材或两者)的噪声注入策略。进一步，我们的分析揭示，在推理过程中，通过预测当前与未来状态之间的相对变化(如位移或速度)来推导下一个时间步的节点位置，比直接预测绝对位置预测更准确。该方法在各种情景下始终表现出更大的稳定性和可靠性，以确定后续节点位置。基于此验证的模型，我们评估了其在设计变量外推方面的泛化性能。此外，物理约束MGN可作为多层OLED显示面板的近实时仿真器，用于设计优化，通过优化厚度变量来最小化光致材料中的应力。它在优化任务中超越了常规MGN，显示出针对实际设计应用的有效性。
引用
@article{arxiv.2411.01848,
title = {Physics-Constrained Graph Neural Networks for Spatio-Temporal Prediction of Drop Impact on OLED Display Panels},
author = {Jiyong Kim and Jangseop Park and Nayong Kim and Younyeol Yu and Kiseok Chang and Chang-Seung Woo and Sunwoong Yang and Namwoo Kang},
journal= {arXiv preprint arXiv:2411.01848},
year = {2024}
}