[论文解读] Efficient Learning of Mesh-Based Physical Simulation with BSMS-GNN

Yadi Cao, Menglei Chai+2 more|arXiv (Cornell University)|Oct 5, 2022

Advanced Neural Network Applications被引用 5

一句话总结

该论文提出BSMS-GNN，一种新颖的双步长多尺度图神经网络，通过拓扑广度优先搜索池化机制构建分层网格表示，无需人工粗化或基于空间邻近性的启发式方法。通过实现每层仅一次消息传递的非参数化推理，其在大规模基于网格的物理仿真中相比现有方法展现出更优的准确率与效率。

ABSTRACT

Learning the physical simulation on large-scale meshes with flat Graph Neural Networks (GNNs) and stacking Message Passings (MPs) is challenging due to the scaling complexity w.r.t. the number of nodes and over-smoothing. There has been growing interest in the community to introduce extit{multi-scale} structures to GNNs for physical simulation. However, current state-of-the-art methods are limited by their reliance on the labor-intensive drawing of coarser meshes or building coarser levels based on spatial proximity, which can introduce wrong edges across geometry boundaries. Inspired by the bipartite graph determination, we propose a novel pooling strategy, extit{bi-stride} to tackle the aforementioned limitations. Bi-stride pools nodes on every other frontier of the breadth-first search (BFS), without the need for the manual drawing of coarser meshes and avoiding the wrong edges by spatial proximity. Additionally, it enables a one-MP scheme per level and non-parametrized pooling and unpooling by interpolations, resembling U-Nets, which significantly reduces computational costs. Experiments show that the proposed framework, extit{BSMS-GNN}, significantly outperforms existing methods in terms of both accuracy and computational efficiency in representative physical simulations.

研究动机与目标

• 解决现有多层图神经网络在物理仿真中的局限性，特别是依赖人工绘制或基于空间邻近性的粗化网格所引入的错误连接。
• 通过引入分层多尺度架构，克服大规模基于网格的图神经网络在计算复杂度与过度平滑方面的挑战。
• 开发一种仅依赖原始网格图结构、保留拓扑连通性并避免人为划分的池化机制。
• 通过非参数化池化与插值方式的解池化，实现每层仅一次消息传递的高效推理，降低训练与推理成本。
• 在具有复杂不规则几何形状的多样化物理仿真基准上，展示最先进的准确率与计算效率表现。

提出的方法

• 提出双步长池化，一种新颖的分层图池化策略，通过广度优先搜索遍历网格图时，从每隔一个前沿层中选择节点。
• 利用拓扑信息（而非空间邻近性或几何形状）定义更粗粒度的图，确保连通性并避免在边界处产生虚假边。
• 通过插值实现非参数化池化与解池化，消除跨尺度消息传递中对可学习参数的依赖。
• 将多尺度层次结构整合至类似U-Net的架构中，实现每层仅一次消息传递，减少过度平滑现象。
• 采用物理信息损失端到端训练模型，以预测非结构化网格上的物理动态。
• 利用分层结构实现高效推理与极低计算开销的长时程滚动仿真。

实验结果

研究问题

• RQ1 基于拓扑的池化策略是否能消除多层图神经网络在物理仿真中对人工或基于空间邻近性的粗化网格的依赖？
• RQ2 双步长池化是否在保持图连通性与物理保真度方面优于可学习或基于邻近性的池化方法？
• RQ3 每层仅一次消息传递的机制是否能在显著降低计算成本的同时保持高准确率，适用于大规模网格仿真？
• RQ4 BSMS-GNN 在复杂几何形状的多样化物理系统中，与 MeshGraphNets 和 MS-GNN-Grid 等最先进方法相比表现如何？
• RQ5 非参数化池化与插值解池化机制在多大程度上提升了训练效率与推理速度？

主要发现

• BSMS-GNN 在包括 CylinderFlow、Airfoil、DeformingPlate 和 InflatingFont 在内的多个物理仿真基准上，均实现了最先进的准确率与推理速度表现。
• 通过实现每层仅一次消息传递的机制，显著降低了计算成本，避免了平面图神经网络中堆叠消息传递带来的二次方复杂度。
• 扩展性分析表明，BSMS-GNN 的计算复杂度随网格规模近乎线性增长，在分辨率提升时，其效率优于 MS-GNN-Grid 与 MeshGraphNets。
• 双步长池化策略有效防止了在几何边界处产生虚假边，即使在高度不规则且易发生自接触的网格中，也能保持拓扑保真度。
• 通过插值实现的非参数化池化与解池化机制降低了模型复杂度与训练时间，其墙钟时间与每轮训练时间成正比。
• 该框架在任意几何形状上表现出强鲁棒性，包括空间邻近性粗化方法失效的复杂拓扑结构场景。