用图网络模拟流体
机器学习
2022-03-16 v1 流体动力学
摘要
用传统模拟器模拟流体等复杂动力学在计算上具有挑战性。深度学习模型已被提出作为高效替代方案,以扩展或替换传统模拟器的部分功能。我们研究了图神经网络(GNNs)用于学习流体动力学,发现其泛化能力比先前工作所暗示的更为有限。我们也质疑当前为提升泛化能力与模拟稳定性而向网络输入添加随机噪声的做法。我们发现,插入真实数据分布(例如通过展开多步模拟)可提升精度,且向学习模型隐藏所有领域特定特征可改善泛化。我们的结果表明,除非训练集不含任何可被用作捷径的其他问题相关相关性,否则GNN等学习模型无法学到精确的基础动力学。
引用
@article{arxiv.2203.07895,
title = {Simulating Liquids with Graph Networks},
author = {Jonathan Klimesch and Philipp Holl and Nils Thuerey},
journal= {arXiv preprint arXiv:2203.07895},
year = {2022}
}
备注
This work will not be published. 11 pages, 9 figures, 2 tables