REMuS-GNN：一种用于模拟连续介质动力学的旋转等变模型
机器学习
2022-05-18 v1 流体动力学
摘要
数值模拟是许多科学和工程领域的重要工具，但其性能往往限制了在实践或探索大型参数空间时的应用。另一方面，替代深度学习模型在加速模拟的同时，常常表现出较差的准确性和泛化能力。为了改善这两个因素，我们引入了REMuS-GNN，一种旋转等变的多尺度模型，用于模拟涵盖一系列长度尺度的连续介质动力学系统。REMuS-GNN旨在从一个输入向量场预测一个物理域上的输出向量场，该物理域被离散化为一组非结构化节点。对域旋转的等变性是一种理想的归纳偏置，它使网络能够更有效地学习底层物理，与缺乏这种对称性的类似架构相比，能带来更高的准确性和泛化能力。我们在椭圆圆柱周围的不可压缩流动上演示并评估了该方法。
引用
@article{arxiv.2205.07852,
title = {REMuS-GNN: A Rotation-Equivariant Model for Simulating Continuum Dynamics},
author = {Mario Lino and Stati Fotiadis and Anil A. Bharath and Chris Cantwell},
journal= {arXiv preprint arXiv:2205.07852},
year = {2022}
}
备注
Accepted at the ICLR 2022 Workshop on Geometrical and Topological Representation Learning