面向材料条件图网络模拟器的点云序列编码
机器学习
2026-05-21 v1
摘要
图网络模拟器（GNS）已成为复杂物理仿真的强大替代方案，具有内在可微性和远超传统求解器的速度优势。然而，GNS 通常假设访问底层材料参数（如刚度或粘度），这严重限制了其在真实实验环境中的实用性。虽然最近的元学习方法通过推断网格轨迹来解决参数依赖问题，但从观察场景重建网格具有挑战性。本文引入了 Point Cloud Encoding for Accurate Context Handling（PEACH），一种新型框架，应用点云的 in-context 学习以适应推理过程中对不可见物理属性的适应。我们的方法依赖于一种新型时空点云序列编码器，以及两种辅助监督形式，以提高仿真保真度。我们展示了 PEACH 能够在具有挑战性的动态场景上实现准确的零样本 sim-to-real 迁移。实验表明，PEACH 甚至在预测准确性方面超越基于网格的基线方法，同时更实用可用于实际部署。
关键词
引用
@article{arxiv.2605.20978,
title = {Point Cloud Sequence Encoding for Material-conditioned Graph Network Simulators},
author = {Philipp Dahlinger and Balázs Gyenes and Niklas Freymuth and Luca Geminiani and Tobias Würth and Johannes Mitsch and Nadja Klein and Luise Kärger and Gerhard Neumann},
journal= {arXiv preprint arXiv:2605.20978},
year = {2026}
}
备注
9 pages + appendix, 7 figures. Submitted to the 40th Conference on Neural Information Processing Systems (NeurIPS 2026)