Mask-Morph Graph U-Net：一种基于网格的通用代理，用于大几何变化下的耐撞性场预测

arXiv:2605.15231v1 公告类型：新 摘要：非线性有限元碰撞模拟很准确，但计算成本较高，限制了其在迭代设计优化中的使用。基于图神经网络 (GNN) 的机器学习代理模型提供了更快的替代方案。消息传递 GNN 广泛用于网格模拟，其共享节点和边更新功能在不同的图结构中相对通用。相比之下，不可共享的特定于边缘的聚合层可以更准确地捕获非线性关系，但通常需要固定的图连接性，这限制了通用性。本文提出了 Mask-Morph Graph U-Net (MMGUNet)，这是一种解决使用特定于边缘的下采样和上采样层的分层 Graph U-Net 架构的局限性的实用方法。特定于边的层需要固定的粗略图连接。为了在改善空间对应性的同时保留这一点，所提出的方法在构造跨图边缘之前使用特征对齐的重心参数化将粗化的图层次结构变形为每个输入网格。它进一步在监督预训练期间应用节点屏蔽，然后进行参数高效的微调，其中高参数边缘特定层被冻结。使用平均欧几里德距离和最大入侵百分比误差在分布内、分布外和跨组件传输设置中评估所提出的方法。结果表明，相对于固定粗图基线，粗图变形提高了测试准确性，而屏蔽监督预训练则减少了训练测试差异并提高了传输过程中的数据效率。与外部基线相比，所提出的模型还实现了更低的预测误差。这些结果展示了一条用于耐撞性设计探索的可重复使用、数据高效的基于网格的代理建模的实用途径。