通过预训练降低神经物理模拟器对网格拓扑的敏感性

在雷达传感和空气动力学等各种领域中，网格被用于在高保真物理模拟器中表示复杂物体。人们越来越关注使用神经网络来加速物理模拟，同时也越来越多地直接将神经网络应用于不规则网格数据。由于多种网格拓扑可以表示同一物体，因此在训练神经网络时通常需要网格增强来处理拓扑变化。由于物理模拟器对网格形状的微小变化很敏感，在训练基于神经网络的物理模拟器时使用这些增强具有挑战性。在这项工作中，我们表明网格拓扑的变化会显著降低神经物理模拟器的性能。我们评估了是否可以使用预训练来解决这一问题，并发现采用成熟的自动编码器预训练技术与图嵌入模型相结合，可以降低神经物理模拟器对网格拓扑变化的敏感性。最后，我们强调了可能进一步降低神经模拟器对网格拓扑敏感性的未来研究方向。