SURF：面向图神经网络流体动力学预测的泛化基准
机器学习
2023-11-21 v3 人工智能
流体动力学
摘要
流体动力学仿真对于从简单阀门到复杂涡轮机械的设计与开发过程至关重要。精确求解底层物理方程的计算代价高昂。因此，基于学习的方法通过在网格上建模相互作用来实现加速，已引起广泛关注。然而，这些模型在多大程度上真正理解了底层物理原理并能够泛化而非仅仅插值，目前尚不清楚。泛化是通用流体模拟器的关键要求，它应当适应不同的拓扑结构、分辨率或热力学范围。我们提出 SURF，一个旨在测试基于学习的图流体模拟器泛化能力的基准。SURF 包含多个独立数据集，并提供用于评估和比较不同模型的特定性能与泛化指标。我们通过深入调研两个最先进的基于图的模型，实证展示了 SURF 的适用性，并获得了关于其泛化能力的新见解。
引用
@article{arxiv.2310.20049,
title = {SURF: A Generalization Benchmark for GNNs Predicting Fluid Dynamics},
author = {Stefan Künzli and Florian Grötschla and Joël Mathys and Roger Wattenhofer},
journal= {arXiv preprint arXiv:2310.20049},
year = {2023}
}
备注
Accepted at LoG 2023, Learning on Graphs Conference