使用潜在多尺度循环图神经网络在网格上进行稳定的长期时空预测
机器学习
2026-02-23 v1 材料科学
应用物理
摘要
准确预测复杂几何上时空场的长期预测是科学机器学习中的一个基本挑战，应用包括增材制造，其中温度历史决定缺陷的形成和机械性能。高保真仿真精确但计算成本高昂，尽管近期进步，机器学习方法仍在长期温度和梯度预测方面受到挑战。我们提出了一个深度学习框架，用于直接在网格上预测完整的温度历史，同时在几何和工艺参数上保持稳定性，以跨异构几何实现泛化。该框架采用时序多尺度体系结构，由两个在互补时间尺度上运行的模型组成。两个模型都依赖于用于捕获网格上时空动力学的潜在循环图神经网络，而变分图自编码器提供紧凑的潜在表示，从而减少内存使用并提高训练稳定性。在模拟的粉末床熔化数据上的实验表明，该框架在不同几何上实现准确且在时序上稳定的长期预测，优于现有基线。虽然在二维维度上评估，但该框架是通用的，可扩展到具有多尺度动力学和三维几何的物理驱动系统。
引用
@article{arxiv.2602.18146,
title = {Stable Long-Horizon Spatiotemporal Prediction on Meshes Using Latent Multiscale Recurrent Graph Neural Networks},
author = {Lionel Salesses and Larbi Arbaoui and Tariq Benamara and Arnaud Francois and Caroline Sainvitu},
journal= {arXiv preprint arXiv:2602.18146},
year = {2026}
}