用于学习增强可扩展网格物理代理模型的科学计算算法
机器学习
2023-04-04 v1 数值分析
数值分析
摘要
数据驱动建模方法可生成快速代理模型以研究大规模物理问题。其中，在基于网格数据上运行的图神经网络(GNNs)因其促进物理忠实性的归纳偏置而受青睐，但硬件限制阻碍了其在大型计算域中的应用。我们表明训练一类GNN代理模型于三维网格上是可能的。我们通过域分解方法扩展MeshGraphNets(MGN)——一种用于基于网格物理建模的GNN子类——以促进在特定条件下与整体域训练数学等价的训练。借此，我们能在具有数百万节点的网格上训练MGN以生成计算流体动力学(CFD)仿真。此外，我们展示如何通过高阶数值积分增强MGN，其可减少MGN的误差与训练时间。我们在附带的310万节点网格上三维 捕集CFD仿真数据集上验证了我们的方法。本工作提出了将MGN扩展至实际应用的实用路径。
引用
@article{arxiv.2304.00338,
title = {Scientific Computing Algorithms to Learn Enhanced Scalable Surrogates for Mesh Physics},
author = {Brian R. Bartoldson and Yeping Hu and Amar Saini and Jose Cadena and Yucheng Fu and Jie Bao and Zhijie Xu and Brenda Ng and Phan Nguyen},
journal= {arXiv preprint arXiv:2304.00338},
year = {2023}
}
备注
ICLR 2023 Workshop on Physics for Machine Learning