[论文解读] M2N: Mesh Movement Networks for PDE Solvers

Wenbin Song, Mingrui Zhang+9 more|arXiv (Cornell University)|Apr 24, 2022

Advanced Numerical Methods in Computational Mathematics被引用 8

一句话总结

该论文提出M2N，首个基于学习的PDE求解器端到端网格运动框架，采用神经样条与图注意力网络（GAT）架构，在自适应变形网格的同时防止缠结并确保边界一致性。相比传统Monge-Ampère方法，其网格自适应速度提升2–3个数量级，在规则与非规则域中对线性和非线性PDE均实现了相当的误差降低效果。

ABSTRACT

Mainstream numerical Partial Differential Equation (PDE) solvers require discretizing the physical domain using a mesh. Mesh movement methods aim to improve the accuracy of the numerical solution by increasing mesh resolution where the solution is not well-resolved, whilst reducing unnecessary resolution elsewhere. However, mesh movement methods, such as the Monge-Ampere method, require the solution of auxiliary equations, which can be extremely expensive especially when the mesh is adapted frequently. In this paper, we propose to our best knowledge the first learning-based end-to-end mesh movement framework for PDE solvers. Key requirements of learning-based mesh movement methods are alleviating mesh tangling, boundary consistency, and generalization to mesh with different resolutions. To achieve these goals, we introduce the neural spline model and the graph attention network (GAT) into our models respectively. While the Neural-Spline based model provides more flexibility for large deformation, the GAT based model can handle domains with more complicated shapes and is better at performing delicate local deformation. We validate our methods on stationary and time-dependent, linear and non-linear equations, as well as regularly and irregularly shaped domains. Compared to the traditional Monge-Ampere method, our approach can greatly accelerate the mesh adaptation process, whilst achieving comparable numerical error reduction.

研究动机与目标

• 为解决传统网格运动方法（如Monge-Ampère方程）的高计算成本问题，这些方法在每次自适应步骤中都需要求解辅助PDE。
• 开发一种基于深度学习的端到端网格运动框架，直接输出自适应后的网格，无需依赖外部重网格化工具。
• 在变形过程中避免网格缠结并保持边界一致性，特别是在大变形或复杂变形下。
• 实现对不同网格分辨率和域几何形状（包括不规则形状）的泛化能力。
• 在性能上超越以往基于学习的网格自适应方法，这些方法非端到端或对局部变形缺乏鲁棒性。

提出的方法

• M2N框架采用基于神经样条的变形器，实现灵活的大变形网格运动，并在超立方体边界上保证可逆性。
• 引入基于图注意力网络（GAT）的变形器，以建模复杂域拓扑结构，并通过图边传播局部特征，实现精确的局部网格自适应。
• 模型接收PDE参数、源项或解场等输入特征，并以端到端方式直接预测新网格节点位置。
• 通过约束边界节点的变形始终保留在原始边界表面上，实现边界一致性。
• 通过神经样条的单调性特性以及GAT基于注意力的局部特征聚合，有效缓解网格缠结，避免单元反转。
• 框架通过监督损失进行训练，以网格自适应质量为优化目标，PDE解的误差降低作为关键优化信号。

实验结果

研究问题

• RQ1 基于深度学习的端到端网格运动框架能否在保持相当解精度的前提下，显著超越传统基于PDE的网格自适应方法的速度？
• RQ2 在非结构化与不规则域中，如何利用神经网络有效防止大变形过程中的网格缠结？
• RQ3 学习得到的网格运动模型在不同网格分辨率和域几何形状上的泛化能力有多强？
• RQ4 图神经网络架构（如GAT）与点对点映射相比，在捕捉对PDE解精度至关重要的局部变形模式方面表现如何？
• RQ5 在适当的输入条件引导下，单一学习模型是否能够无需微调即可适应多种同类型PDE问题？

主要发现

• M2N框架相比传统Monge-Ampère方法，实现了2–3个数量级的网格自适应速度提升，其中M2N-GAT在Burgers方程上的耗时从81.6秒降至8.93毫秒。
• M2N-GAT模型在Burgers方程上实现了57.75%的误差降低，与传统MA方法的60.24%非常接近，同时显著更快。
• M2N-Spline模型在Burgers方程上实现了48.92%的误差降低，自适应耗时仅5.54毫秒，尽管受到边界约束，仍表现出强劲性能。
• 所有M2N模型均成功避免了网格缠结，其中基于GAT的模型在局部变形能力方面表现更优，如图6所示的视觉验证。
• 基于GNN的模型（M2N-GAT与GAT-Deform-Clip）在捕捉局部网格分辨率变化方面优于点对点模型（M2N-Spline与MLP-Deform-Clip），尤其在复杂流场区域表现更佳。
• 成功展示了对未见过的网格分辨率（11×11至24×24）的泛化能力，不同初始网格密度下均保持一致的性能表现。