X-MeshGraphNet：用于物理仿真的可扩展多尺度图神经网络
机器学习
2024-12-23 v2 计算物理
摘要
图神经网络（GNN）因用于模拟复杂物理系统而受到广泛关注，诸如 MeshGraphNet 等模型在非结构化仿真网格上表现出强大的性能。然而，这些模型面临若干局限，包括可扩展性问题、推断时需要网格化，以及处理长程相互作用的挑战。本文引入 X-MeshGraphNet，这是一种可扩展的、基于 MeshGraphNet 的多尺度扩展，旨在解决这些挑战。X-MeshGraphNet 通过对大型图进行分区并包含允许跨分区无缝消息传递的边缘区域来克服可扩展性瓶颈。结合梯度聚合，该方法确保跨分区的训练等效于一次性处理整个图。为消除对仿真网格的依赖，X-MeshGraphNet 通过在三角形几何文件（如 STL）上生成表面或体积的点云并连接最近的 k 个邻居来构建自定义图。此外，我们的模型通过迭代组合粗糙和细分辨率的点云，其中每个级别都细化前一个级别，允许高效的长程相互作用。我们的实验表明，X-MeshGraphNet 在保持全图 GNN 预测精度的同时，显著提高了可扩展性和灵活性。该方法消除了推断时繁琐网格生成的需求，为广泛应用的实时仿真提供了实用解决方案。用于复现本文所述结果的代码可通过 NVIDIA Modulus 获取。
引用
@article{arxiv.2411.17164,
title = {X-MeshGraphNet: Scalable Multi-Scale Graph Neural Networks for Physics Simulation},
author = {Mohammad Amin Nabian and Chang Liu and Rishikesh Ranade and Sanjay Choudhry},
journal= {arXiv preprint arXiv:2411.17164},
year = {2024}
}