Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics
针对现有GNN在结构动力学模拟中研究不足的问题,提出具备三大物理适配特性的GNSS框架,在梁的脉冲激励案例中精度、泛化性优于现有GNN,且比显式有限元推理更快。
2025-10-29 cs.AI cs.CE cs.LG
Physical Design using Differentiable Learned Simulators
DeepMind(深度思维)
设计服务于某个目的的物理工件-例如工具和其他功能结构-是工程和日常人类行为的核心。虽然自动化设计有着巨大的前景,但通用的方法还不存在。在这里,我们探索了一个简单,快速,鲁棒的方法来逆向设计,结合学习的正向模拟器的基础上图神经网络与基于梯度的设计优化。我们的方法解决了具有复杂物理动力学的高维问题,包括设计操纵流体流动的表面和工具,以及优化翼型形状以最大限度地减少阻力。该框架通过数百步的轨迹传播梯度来产生高质量的设计,即使使用预先训练的模型对与设计任务截然不同的数据进行单步预测。在我们的流体操作任务中,所得到的设计优于基于采样的优化技术所发现的设计。在翼型设计中,他们匹配了用专门求解器获得的质量。我们的研究结果表明,尽管存在一些挑战,但基于机器学习的模拟器正在成熟到可以支持各种领域的通用设计优化的程度。
2022-02-01 cs.LG
Diffusion-Based Hierarchical Graph Neural Networks for Simulating Nonlinear Solid Mechanics
Institute of Vehicle System Technology, Karlsruhe Institute of Technology(汽车系统技术研究所,卡尔斯鲁厄理工学院)
本文提出ROBIN,一种结合滚动扩散批量推理和代数多重网格分层图神经网络的学习模拟器,用于高效准确模拟非线性固体力学,实现最先进精度并大幅降低推理时间。
2025-10-23 cs.LG physics.comp-ph
Reducing the Sensitivity of Neural Physics Simulators to Mesh Topology via Pretraining
Massachusetts Institute of Technology(麻省理工学院)
针对神经物理模拟器易受网格拓扑变化影响的问题,本文评估并验证了结合图嵌入模型的自动编码器预训练可有效降低这种敏感性。
2025-01-16 cs.AI cs.LG
Transfer learning in Scalable Graph Neural Network for Improved Physical Simulation
Peking University(北京大学);Apple(苹果公司)
针对基于图神经网络的物理模拟器全监督训练成本高的问题,提出含DFS池化的可扩展图U网及参数对齐、损失归一化的迁移范式,预训练后微调少量数据性能更优,在2D可变形板数据集上位置RMSE提升11.05%。
2025-02-07 cs.AI cs.LG
gSuite: A Flexible and Framework Independent Benchmark Suite for Graph Neural Network Inference on GPUs
Istanbul Technical University(伊斯坦布尔技术大学);ASELSAN Inc.(ASELSAN公司)
随着人们对图神经网络(GNNs)的兴趣日益增长,对GNNs进行基准测试和性能表征研究的重要性也日益增加。到目前为止,我们已经看到了许多研究,研究和提出了GNN的性能和计算效率。然而,迄今为止所做的工作都是使用几个高级别GNN框架进行的。尽管这些框架提供了易用性,但它们包含了对其他现有库的太多依赖。实现细节的层次和依赖关系使构建在这些框架之上的GNN模型的性能分析变得复杂,特别是在使用架构模拟器时。此外,GNN计算的不同方法通常被忽略在以前的表征研究,和只有一个常见的计算模型进行评估。基于我们观察到的这些缺点和需求,我们开发了一个基准测试套件,该套件独立于框架,支持通用的计算模型,易于配置,并且可以与建筑模拟器一起使用,而无需额外的努力。我们的基准套件,我们称之为gSuite,只使用硬件供应商的库,因此它独立于任何其他框架。gSuite支持使用当代GPU分析器和架构GPU模拟器对GNN推理执行详细的性能表征研究。为了说明我们新的基准测试套件的好处,我们使用一组具有各种数据集的知名GNN模型进行了详细的表征研究;在真实的GPU卡和时序详细的GPU模拟器上运行gSuite。我们还牵连的计算模型的性能的影响。我们使用几个评估指标来严格衡量GNN计算的性能。
2022-11-07 cs.LG cs.PF
Simulating Liquids with Graph Networks
使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。深度学习模型已经被提出作为一种有效的替代方案,扩展或取代传统模拟器的部分。我们研究了用于学习流体动力学的图神经网络(GNNs),发现它们的泛化能力比以前的工作所建议的更有限。我们还挑战了目前的做法,增加随机噪声的网络输入,以提高其泛化能力和仿真稳定性。我们发现,插入真实的数据分布,例如通过展开多个模拟步骤,可以提高准确性,并且从学习模型中隐藏所有特定领域的特征可以提高泛化能力。我们的研究结果表明,学习模型(如GNN)无法学习确切的潜在动态,除非训练集没有任何其他可以用作捷径的特定问题相关性。
2022-03-14 cs.LG physics.flu-dyn
Learning rigid-body simulators over implicit shapes for large-scale scenes and vision
Google Deepmind(谷歌DeepMind)
针对大规模刚体场景模拟难题,提出基于学习符号距离函数(SDF)的SDF-Sim模拟器,克服网格方法扩展瓶颈,支持数百物体和百万节点,并可从多视角图像应用于真实场景。
2024-05-22 cs.CV cs.LG
Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction
Carnegie Mellon University(卡内基梅隆大学);SU2 Foundation(SU2基金会);Bosch Center for AI(博世人工智能中心)
求解大型复杂偏微分方程(PDE),如计算流体动力学(CFD)中出现的偏微分方程,是一个计算成本很高的过程。这促使人们使用深度学习方法来近似PDE解,但从这些方法预测的模拟结果通常不能很好地推广到真正新颖的场景。在这项工作中,我们开发了一个混合(图)神经网络,结合了传统的图卷积网络与嵌入式可微流体动力学模拟器内的网络本身。通过结合实际的CFD模拟器(运行在一个更粗糙的分辨率表示的问题)与图形网络,我们表明,我们既可以推广到新的情况下,并受益于神经网络CFD预测的大幅加速,同时也大大优于单独的粗糙CFD模拟。
2020-08-16 cs.LG physics.comp-ph stat.ML
Physics-Informed Graph Neural Networks for Water Distribution Systems
Center for Cognitive Interaction Technology, Bielefeld University(比勒费尔德大学认知交互技术中心)
本文提出一种物理信息图神经网络模型,通过递归消息传递和少量GCN层高效仿真EPANET水力模拟器,在五个真实供水系统数据集上实现高精度且显著更快的状态估计。
2024-03-27 cs.AI cs.LG
Adaptive Interaction Graphs for Particle Simulation
Yale University(耶鲁大学)
提出自适应交互图方法 AdaptGNS,通过联合训练的方差头动态调整粒子邻域,在 WaterDrop 上实现严格 Pareto 改进,并揭示不确定性集中在复杂区域。
2026-09-28 cs.CE cs.LG
Learning Latent Graph Dynamics for Visual Manipulation of Deformable Objects
National University of Singapore(新加坡国立大学)
操纵可变形物体,如绳索和衣服,是机器人技术中的一个长期挑战,因为它们具有大的自由度、复杂的非线性动力学和视觉感知中的自遮挡。关键的困难是一个合适的表示,足够丰富,以捕捉对象的形状,操纵的动力学,但足够简单,从视觉观察可靠地估计。这项工作的目的是学习潜在的图形动态变形对象操作(G-DOOM)。G-DOOM将可变形物体近似为一组稀疏的相互作用的关键点,这些关键点是通过无监督学习从图像中自动提取的。它学习一个图神经网络,该网络抽象地捕获关键点的几何形状和交互动力学。为了处理对象自遮挡,G-DOOM使用递归神经网络来跟踪关键点,并根据历史记录调整它们的交互。然后,我们通过在高保真模拟器中的对比学习来训练所得到的递归图动力学模型。对于操纵规划,G-DOOM通过在每个关键点应用模型预测控制,明确地推理学习的动力学模型。与最先进的方法相比,G-DOOM在一组具有挑战性的绳索和布料操作任务上的初步实验显示出强大的性能。虽然在模拟器中训练,G-DOOM直接转移到一个真正的机器人的绳子和布操纵。
2022-03-05 cs.LG cs.RO
Learning the dynamics of a one-dimensional plasma model with graph neural networks
Instituto de Plasmas e Fusão Nuclear, Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院等离子体与核聚变研究所)
本文探索用基于图神经网络的模拟器替代等离子体动力学模拟器,在一维等离子体模型上成功恢复多种动力学过程,并对比性能与局限性,为高维替代模型提供方向。
2024-05-13 cs.LG physics.comp-ph physics.plasm-ph
Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Pisa(比萨大学)
IGNS通过哈密顿动力学原理改进图神经模拟器,有效捕捉长程相互作用并提升模拟精度与稳定性。
2026-02-10 cs.LG
Graph Mamba Operator: A Latent Simulator for Interacting Particle Systems
Indian Institute of Science, Bangalore(印度科学研究所,班加罗尔);Indian Institute of Technology, Delhi(印度理工学院,德里)
提出Graph Mamba Operator (GraMO),通过将状态空间模型与图交互学习集成到单一循环中,实现长期时空依赖的联合建模,在N体系统、运动捕捉和机器人数据集上取得最低误差。
2026-06-08 cs.LG
Latent Task-Specific Graph Network Simulators
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Bosch Center for Artificial Intelligence(博世人工智能中心)
针对图网络模拟器在小数据下难适应新任务的问题,提出结合贝叶斯元学习与运动基元的潜在任务特定图网络模拟器,提升了适应性与预测精度,推动其在小数据集场景的实际应用。
2023-11-09 cs.LG
Grounding Graph Network Simulators using Physical Sensor Observations
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Friedrich-Alexander-University Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
精确模拟现实的物理仿真对于许多工程学科至关重要,例如机械工程和机器人运动规划。近年来,学习图网络仿真器产生了精确的基于网格的仿真,同时只需要传统仿真器的一小部分计算成本。然而,所得到的预测器仅限于从现有的基于网格的模拟器生成的数据中学习,因此不能包括真实世界的感官信息,如点云数据。由于这些预测器必须仅从初始状态模拟复杂的物理系统,因此它们在长期预测中表现出较高的误差累积。在这项工作中,我们将感官信息整合到真实世界观察的地面图形网络模拟器中。特别地,我们利用点云数据预测可变形物体的网格状态。由此产生的模型允许在较长的时间范围内进行准确的预测,即使在模拟中存在不确定性,例如未知的材料特性。由于点云通常不适用于每个时间步长,特别是在在线设置中,因此我们采用基于估算的模型。该模型可以利用这些额外的信息,只有当提供,并诉诸于一个标准的图形网络模拟器,否则。我们通过实验验证了我们的方法对一套基于网格的软体和刚体之间的相互作用的预测任务。我们的方法可以利用额外的点云信息来准确预测现有图形网络模拟器失败的稳定模拟。
2023-03-07 cs.LG cs.RO
Point Cloud Sequence Encoding for Material-conditioned Graph Network Simulators
Autonomous Learning Robots(自主学习机器人);Methods for Big Data(大数据方法);Institute of Vehicle System Technology(车辆系统技术研究所)
本文提出PEACH框架,通过点云序列编码实现对未知物理属性的适应,提高了模拟到现实的零样本转移精度,并在实际部署中更具实用性。
2026-05-20 cs.LG
MaNGO - Adaptable Graph Network Simulators via Meta-Learning
针对图网络模拟器参数变化需重训练、数据收集成本高的问题,本研究结合条件神经过程与新型神经算子提出元学习架构MaNGO,可快速适配新物理参数,在未见过的材料属性预测任务上精度接近预言机模型。
2025-10-22 cs.LG
Video-Driven Graph Network-Based Simulators
University of Groningen(格罗宁根大学);University of Liège(列日大学)
本文提出一种从短视频推断物理属性并驱动图网络模拟器的方法,无需显式参数输入,并验证了视频编码与系统运动之间的线性依赖关系。
2025-04-11 cs.CV cs.LG
Scaling Face Interaction Graph Networks to Real World Scenes
Google DeepMind(谷歌DeepMind)
本文提出一种内存高效的图网络模拟方法及可编辑NeRF感知接口,使学习模拟器能以更低内存处理真实场景并仅依赖感知输入,从而扩展其实际应用范围。
2024-01-22 cs.CV cs.LG cs.RO
TRACE: A spatiotemporal contact memory graph network simulator for granular dynamics
Faculty of Engineering and IT, The University of Melbourne(墨尔本大学工程与信息技术学院);School of Computing, National University of Singapore(新加坡国立大学计算机学院);Norwegian Geotechnical Institute(挪威岩土工程研究所)
TRACE是直接在接触边存储交互历史的图网络模拟器,经单步预训练与自回归微调后,在2D、3D颗粒柱坍塌基准上,相比GNS、NMGNS等方法误差显著降低且运行更快。
2026-09-29 cs.LG cs.NA math.NA
Parameter-Efficient Conditioning for Material Generalization in Graph-Based Simulators
Department of Civil, Architecture and Environmental Engineering(土木、建筑与环境工程系);The Oden Institute for Computational Engineering and Sciences(奥登计算工程与科学研究所)
本文提出一种参数高效的条件化机制,使图网络模拟器能够适应不同材料参数,通过仅微调早期消息传递层实现对未见过材料的长期模拟,减少数据需求并应用于逆向设计任务。
2026-04-23 cs.LG
Demistifying Data and Simulator Assumptions in Supervised Causal Discovery
Zhejiang University of Technology(浙江工业大学);Microsoft Research Asia(微软亚洲研究院);Sony Research(索尼研究院);HKUST(香港科技大学)
本文系统梳理监督式因果发现方法,区分可识别性与泛化性,强调模拟器假设影响预测,并提出匹配指标与测试分布变化的评估框架。
2026-09-30 cs.AI cs.LG
Enhancing Inverse Problem Solutions with Accurate Surrogate Simulators and Promising Candidates
University of Tokyo(东京大学);Waseda University(早稻田大学);ExaWizards Inc.(ExaWizards公司)
本研究提出神经拉格朗日(NeuLag)方法,扩展神经伴随(NA)方法,利用精确代理模拟器高效优化候选解,显著降低重新模拟误差,并支持软硬约束优化。
2023-11-17 cond-mat.mes-hall cond-mat.mtrl-sci cs.LG
Learning Shortest Paths When Data is Scarce
Discipline of Business Analytics, The University of Sydney(商业分析学科,悉尼大学)
本文提出了一种在数据稀缺情况下学习最短路径的方法,通过模拟器与现实的偏差建模和主动学习算法,提升路径规划的准确性。
2026-01-07 cs.LG
Norm-Governed Multi-Agent Decision-Making in Simulator-Coupled Environments:The Reinsurance Constrained Multi-Agent Simulation Process (R-CMASP)
Reinsurance Analytics(再保险分析)
本文提出R-CMASP模型,通过规范引导和模拟器耦合机制,提升多智能体在再保险决策中的稳定性与合规性。
2025-12-04 cs.AI cs.LG cs.MA
SimVAE: Simulator-Assisted Training forInterpretable Generative Models
MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室);IBM Research(IBM研究院)
本文提出了一种模拟器辅助训练方法(SimVAE)的变分自动编码器(VAE),导致一个解开和解释的潜在空间。训练SimVAE是一个两步过程,首先训练深度生成器网络(解码器)以近似模拟器。在此步骤中,模拟器充当数据源或教师网络。然后训练推理网络(编码器)来反转解码器。因此,在完成训练时,编码器表示近似倒置的模拟器。通过解耦编码器和解码器的训练,我们绕过了训练生成模型(如VAE和生成对抗网络(GANs))时出现的一些困难。我们展示了我们的方法在各种领域的应用,如电路设计,图形去渲染和其他自然科学问题,涉及通过仿真推理。
2019-11-19 cs.LG stat.ML
Data-Efficient Time-Dependent PDE Surrogates: Graph Neural Simulators vs. Neural Operators
针对神经算子数据效率低的问题,提出图神经模拟器(GNS),利用消息传递和数值时间步进学习PDE动力学,在四个经典系统上以3%数据实现<1%误差,误差累积大幅降低。
2026-09-30 cs.LG stat.CO stat.ML
Polynomial neural surrogates for designing photonic quantum experiments
Friedrich Schiller University Jena(耶拿弗里德里希·席勒大学)
本文为PyTheus量子光学模拟器开发了物理启发的多项式神经代理模型,以更少参数实现更高预测精度,并加速GHZ、W和线性簇态的逆向设计,展示了物理知识融入神经代理的高效性。
2026-10-06 cs.LG quant-ph
PixSim: a calibrated open-source simulator of instant-payment fraud, recovery and interdiction under analyst capacity constraints
Instituto CERTI Amazônia(CERTI亚马逊研究所);Universidade Federal do Amazonas(亚马逊联邦大学);Universidade do Estado do Amazonas(亚马逊州立大学)
PixSim是首个开源校准模拟器,联合建模Pix即时支付欺诈、追回与拦截,在分析师容量约束下复现2025年追回率,并揭示人员配置与评分器对损失的影响。
2026-09-28 cs.CE cs.LG q-fin.RM
Neural Modular Physics for Elastic Simulation
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Shanghai University(上海大学);Meta Reality Labs(Meta现实实验室)
本文提出神经模块物理学用于弹性模拟,结合神经网络的近似能力与传统模拟器的物理可靠性,实现更优的物理一致性和通用性。
2025-12-17 cs.CE cs.LG
Structured Graph Network for Constrained Robot Crowd Navigation with Low Fidelity Simulation
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出结构化图网络与注意力机制,利用低保真仿真分离人类与障碍物表示,减少sim2real差距,提升约束人群导航性能。
2024-05-28 cs.AI cs.LG cs.RO
Diagnosing Faults in Reinforcement Learning Simulators with Canonical Polynomial Invariants
MIU
本文提出用典范多项式不变量诊断强化学习模拟器故障,通过筛选与归因程序准确定位违反的物理约束及参数,优于观察空间基线,并应用于多个环境验证其有效性。
2026-10-20 cs.AI cs.LG
Even Faster SNN Simulation with Lazy+Event-driven Plasticity and Shared Atomics
FORTH(希腊研究与技术基金会);UOC(克里特大学)
我们提出了两个新的优化,加速基于时钟的脉冲神经网络(SNN)模拟器。第一个目标是尖峰时间依赖可塑性(STDP)。它结合了懒惰与事件驱动的可塑性,并有效地促进了使用位域和整数intrinsic的突触前和突触后尖峰的计算。它提供了比单独的事件驱动可塑性更高的带宽,并实现了比我们最接近的竞争对手快1.5 - 2倍的速度。第二个优化目标是尖峰输送。我们以一种方式划分我们的图表示,该方式限制了在任何给定时间需要更新的神经元的数量,这允许我们在共享内存而不是全局内存中执行所述更新。这比我们最接近的竞争对手快2 - 2.5倍。这两种优化都代表了STDP上多年迭代的最后进化阶段,并在我们最先进的SNN模拟器“Spice”(/spaIk/)内提供峰值。所提出的优化不限于我们的图形表示或管道,但适用于众多的模拟器设计。我们评估我们的表现,三个完善的模型,并比较自己对其他三个国家的最先进的模拟器。
2021-08-23 cs.AI cs.DC cs.LG
Physical Simulators as Do-Operators: Causal Discovery under Latent Confounders for AI-for-Science
Kyushu Institute of Technology(九州工业大学)
本文提出CFM-SD方法,利用物理模拟器作为do-运算符,解决AI-for-Science中潜在混杂因素和真实干预数据的因果发现问题,实验表明其在合成数据和真实科学数据中均表现出色。
2026-05-08 cs.AI cs.ET cs.LG
Neural Robot Dynamics
NVIDIA(NVIDIA公司);University of Washington(华盛顿大学)
本文提出 NeRD 神经机器人动力学模型,以机器人中心且空间不变的状态表示替代解析仿真器中的底层动力学与接触求解器,实现可泛化、稳定且可微调的铰接刚体仿真。
2025-08-21 cs.AI cs.GR cs.LG
Finding Appropriate Traffic Regulations via Graph Convolutional Networks
NTT Communication Science Laboratories(NTT通信科学实验室)
适当的交通规则,例如有计划的道路封闭,在拥堵事件中很重要。人群模拟器已被用于通过模拟具有不同法规的多个场景来找到适当的法规。然而,这种方法需要多次模拟运行,这是耗时的。在本文中,我们提出了一种方法来学习一个函数,输出调节效果给定当前的交通状况作为输入。如果预先使用许多模拟运行的训练数据来学习函数,则可以通过绕过当前情况的模拟来有效地获得适当的调节。我们使用图卷积网络对函数进行建模,这使我们能够找到规则,即使是看不见的区域。使用所提出的方法,我们为每个区域构造一个图,其中节点表示道路,边表示道路连接。通过在不同区域运行具有不同法规的人群模拟,我们生成交通状况和法规效果。图卷积网络被训练以输出给定图的调节效果,其中交通状况信息作为输入。通过使用真实世界的道路网络和人群模拟器的实验,我们证明了所提出的方法可以找到一条关闭的道路,从而减少到达目的地所需的平均时间。
2018-10-23 cs.AI cs.LG physics.soc-ph