[论文解读] Learning to Simulate Unseen Physical Systems with Graph Neural Networks

Ce Yang, Weihao Gao+2 more|arXiv (Cornell University)|Jan 28, 2022

Machine Learning in Materials Science被引用 6

一句话总结

本文提出图神经网络物理引擎（GPE），一种基于图神经网络（GNN）的模拟器，通过整合材料参数和动量守恒，实现对未见过的物理系统的零样本泛化。通过在动态图上通过消息传递建模物理动力学并强制执行物理定律，GPE在新粘度、弹性模量和复杂几何结构下实现零样本泛化，同时提升了训练稳定性和效率。

ABSTRACT

Simulation of the dynamics of physical systems is essential to the development of both science and engineering. Recently there is an increasing interest in learning to simulate the dynamics of physical systems using neural networks. However, existing approaches fail to generalize to physical substances not in the training set, such as liquids with different viscosities or elastomers with different elasticities. Here we present a machine learning method embedded with physical priors and material parameters, which we term as "Graph-based Physics Engine" (GPE), to efficiently model the physical dynamics of different substances in a wide variety of scenarios. We demonstrate that GPE can generalize to materials with different properties not seen in the training set and perform well from single-step predictions to multi-step roll-out simulations. In addition, introducing the law of momentum conservation in the model significantly improves the efficiency and stability of learning, allowing convergence to better models with fewer training steps.

研究动机与目标

• 解决基于机器学习的物理模拟器在未见物理物质（如具有新粘度的液体或具有新弹性模量的弹性体）上泛化能力不足的问题。
• 提升可微分物理引擎在训练效率和长期模拟稳定性方面的表现。
• 实现对超出训练数据范围的大规模、更复杂物理场景的零样本泛化。
• 将基本物理定律（尤其是动量守恒）整合到GNN架构中，以增强模型保真度和学习效率。

提出的方法

• 将物理系统表示为动态有向图，其中节点为离散材料点，边编码相互作用力。
• 使用消息传递神经网络（MPNN）根据相对位置和速度计算节点间的受力。
• 将材料参数（如粘度、弹性模量）作为可学习或输入特征，以实现对物理属性的泛化。
• 通过修改消息传递机制以确保系统总受力为零，从而强制实现动量守恒，提升稳定性并降低计算成本。
• 使用单步预测损失进行模型训练，实现端到端学习，无需完整轨迹监督。
• 采用不同的图构建策略（如最近邻、多尺度网格）以适应流体、弹性体和有限元模型等多样化物理领域。

实验结果

研究问题

• RQ1 学习到的物理模拟器能否泛化到训练期间未见过的材料参数的物理系统？
• RQ2 在GNN-based模拟器中强制实现动量守恒如何影响训练稳定性和计算效率？
• RQ3 GNN-based模拟器在多大程度上能泛化到比训练数据中更复杂、更大规模的物理场景？
• RQ4 将动量守恒等物理先验整合到模型中是否能提升GNN-based模拟器的泛化能力和长期滚动预测性能？
• RQ5 统一的GNN架构能否在无需架构重构的情况下模拟多种物理动力学（包括流体流动、弹性形变和有限元法）？

主要发现

• GPE在未见物理参数上达到最先进水平的泛化性能，在弹性体领域平均MSE为1.35，在FEM领域为1.27，优于GNS、DPI-Net和ConvNet等基线模型。
• 引入动量守恒后，前向计算时间减少37%，并实现更快收敛与更低的验证损失。
• GPE成功泛化到包含150,000个液体节点和50,000个边界节点的3D复杂峡谷流场，远超训练时的4,000个液体节点和3,000个边界节点，展现出强大的零样本迁移能力。
• 即使在2D球形边界上进行训练，GPE也能准确模拟3D液体流动和瀑布，表明其学习的是底层物理定律而非记忆训练数据。
• 尽管仅使用单步预测损失进行训练，GPE仍能保持长期滚动模拟的稳定性，表明物理约束提供了强大的归纳偏置。
• 该模型在多种领域（包括沙粒、积雪、流体、弹性体和FEM）中表现出一致性能，且仅需极少的架构调整。