作者：Tobias Pfaff、Meire Fortunato、Alvaro Sanchez-Gonzalez、Peter W. Battaglia（DeepMind） 发表于：ICLR 2021

研究背景与目标

在现代科学与工程领域，基于网格（mesh）的数值模拟是求解偏微分方程、分析复杂物理系统的核心工具。其优势在于支持强大的数值积分方法，并能通过调整网格分辨率在精度与效率之间取得平衡。然而，高精度科学模拟的计算成本极高，且求解器和参数往往需要针对不同系统单独调校。尽管自适应网格（adaptive remeshing）技术能在强梯度区域（如翼型尖端）分配更高分辨率以优化资源利用，但网格表示在机器学习领域受到的关注相对有限——此前大多数物理系统预测工作集中于规则网格（regular grid），主要得益于卷积神经网络（CNN）架构的流行与硬件支持。

本文旨在提出一种通用的基于网格的模拟学习方法，称为 MeshGraphNets。该方法利用图神经网络（graph neural networks, GNN）在网格图（mesh graph）上传递消息，并在前向模拟过程中自适应地调整网格离散化。研究目标是验证该方法能够准确预测包括空气动力学、结构力学和布料在内的多种物理系统的动力学行为，同时实现分辨率无关的动力学学习，并在测试时扩展到更复杂的状态空间。其核心思想在于将模拟状态编码为图，并分别在网格空间（mesh-space）和欧几里得世界空间（world-space）中进行计算：网格空间消息传递近似物理系统内部动力学的微分算子，而世界空间消息传递则估计碰撞等外部动力学。

研究方法与工作流程

MeshGraphNets 采用编码器-处理器-解码器（encode-process-decode）架构，并后接积分器。模型输入为时间步 t 的模拟网格 M^t，输出为下一时间步的动态量，通过迭代滚动（rollout）生成长轨迹。

编码器首先将当前网格 M^t 编码为多重图 G = (V, E^m, E^w)。网格节点成为图节点 V，网格边成为双向网格边 E^m，用于计算网格内部动力学。对于拉格朗日（Lagrangian）系统（如布料、结构力学），模型额外添加世界边 E^w：根据空间邻近性，在距离小于固定半径 r_w 且尚未通过网格边相连的节点对之间建立世界边。这样，世界边用于在网格空间中距离远但世界空间中距离近的节点之间传递信息（例如自碰撞或接触）。对于欧拉（Eulerian）系统（如流体），则省略世界边。

特征编码遵循空间等变性原则：位置信息以相对边特征的形式提供。网格边被编码为网格空间相对位移向量 u_ij 及其范数 |u_ij|，同时编码世界空间相对位移向量 x_ij 及其范数 |x_ij|。世界边仅编码 x_ij 和 |x_ij|。所有剩余动态量 q_i 以及表示节点类型的独热向量作为节点特征 v_i。这些拼接特征通过多层感知机（MLP）编码器 ε^m、ε^w、ε^v 映射到大小为 128 的潜在向量。

处理器由 L 个相同的消息传递块（message passing block）组成，每个块拥有独立的网络参数，并依次更新网格边、世界边和节点嵌入。更新公式为：e’^m_ij ← f^m(e^m_ij, v_i, v_j)，e’^w_ij ← f^w(e^w_ij, v_i, v_j)，v’_i ← f^v(v_i, Σ_j e’^m_ij, Σ_j e’^w_ij)，其中 f^m、f^w、f^v 均为带残差连接的 MLP。

解码器使用 MLP δ^v 将最终处理后的节点特征转换为输出特征 p_i。这些输出被解释为动态量的（高阶）导数，并通过前向欧拉积分器进行积分以得到 q^{t+1}_i。对于一阶系统积分一次（q^{t+1}_i = p_i + q^t_i），二阶系统积分两次（q^{t+1}_i = p_i + 2q^t_i − q^{t−1}）。部分输出特征还用于直接预测辅助量（如压强或应力）。

自适应重新网格化（adaptive remeshing）采用尺寸场（sizing field）方法论。尺寸场张量 s(u) ∈ R^{2×2} 编码仿真网格中允许的最大定向边长。模型采用与主架构相同的网络，训练解码器输出 p_i 以产生每个节点的尺寸张量。测试时，模型同时预测下一状态和尺寸场，并使用通用局部重新网格化器 R 对下一网格进行细化或粗化。该重新网格化器仅需执行三种基本操作：分裂无效边、翻转边以优化方向纵横比、在不产生新无效边的前提下尽可能折叠边。若训练数据中无尺寸场标签，可从仿真器网格序列中估计：通过求解最小面积零中心椭圆问题（使用 minidisk 算法）来估计每个节点的尺寸张量。

模型训练采用一步监督：对解码器输出 p_i 与真实值 p̄_i 之间施加 L2 损失。尺寸场模型同样采用 L2 损失训练。为使模型对长滚动具有鲁棒性，训练时对动态变量添加高斯噪声，并相应调整目标值。训练数据集来自四个物理系统：帆布风场中的旗帜（FlagDynamic，动态三角网格，250 步，平均 2767 节点）、与运动球体相互作用的布料（SphereDynamic，动态三角网格，500 步，平均 1373 节点）、超弹性板结构力学（DeformingPlate，非规则四面体网格，400 步，平均 1271 节点）、绕圆柱水流（CylinderFlow，固定二维欧拉网格，600 步，平均 1885 节点）以及翼型空气动力学（Airfoil，非规则二维欧拉网格，600 步，平均 5233 节点）。每个数据集包含 1000 个训练轨迹、100 个验证轨迹和 100 个测试轨迹。

主要实验结果

在四个实验域上，MeshGraphNets 生成了高质量的长时滚动预测，且在各方面均优于粒子基和网格基基线方法。一步预测和滚动误差见表 1。在 Airfoil 数据集中，滚动均方根误差（RMSE）为 11.529，CylinderFlow 为 0.04088，FlagDynamic 为 0.1511，SphereDynamic 为 0.0283，DeformingPlate 为 0.0151。模型尽管仅在单步预测上训练，滚动却能稳定持续数千步。

与无网格图网络（GNS）的对比表明：在静态网格 FlagSimple 数据集上，纯 GNS 由于缺乏布料静止状态的概念而迅速发散；加入网格空间位置特征的混合方法（GNS+mesh-pos）在规则网格上误差与本文方法相当，但在非规则间距网格上无法稳定滚动。这证明在网格边上传递消息以及网格空间嵌入对非规则网格预测至关重要。相反，去除世界空间边而仅依靠网格空间消息传递在 FlagDynamic 和 SphereDynamic 上滚动 RMSE 分别增加 51% 和 92%，表明世界边对于碰撞和接触预测必不可少。

与图卷积网络（GCN）的对比显示：在丰富的 Airfoil 动力学任务上，GCN 无法获得稳定滚动；即使增加 MLP 和 LayerNorm 的混合版（GCN-MLP）仍表现不佳。去除相对编码的消融实验也显著恶化性能。这表明相对编码和边消息计算对于学习局部物理规律至关重要。

与网格基 CNN（U-Net）基线在欧拉二维域上的对比显示：MeshGraphNets 在 CylinderFlow 和 Airfoil 上均优于 U-Net。U-Net 虽能预测大尺度特征，但无法解析翼尖附近的重要尾流区域，即使其使用的网格单元数是本文方法的四倍。这体现了基于网格的预测即使在平面二维域上也具有优势。

学习重新网格化的实验表明：使用从标签或估计尺寸场训练的动态重新网格化，在 FlagDynamic 和 SphereDynamic 上均能产生与使用真实网格序列相当的滚动精度，并且能够将分辨率动态转移到新出现的褶皱区域。

在计算效率方面，该方法在 GPU 上比真实求解器快 1 到 2 个数量级（11× 至 290× 加速），且在 CPU 环境下依然保持 4× 至 22× 的加速。

泛化实验显示：在 Airfoil 上，模型对超出训练范围的攻角（±35° vs ±25°）和马赫数（0.7–0.9 vs 0.2–0.7）保持合理预测，RMSE 仅小幅上升。更引人注目的是，仅在长方形布片上训练的模型能泛化到三条鱼形布片以及带流苏的风向袋（约 2 万节点，训练时节点数的十倍），且预测与真实序列视觉相似。超参数分析表明，消息传递步数 L=15 在精度与效率间取得最佳平衡；最短历史长度（h=1 或 0）能防止过拟合。

结论与价值

MeshGraphNets 是一种通用的基于网格的方法，能够准确高效地模拟多种物理系统，具备良好的泛化能力，并可在推理时扩展规模。其科学价值在于证明了图网络在非规则、自适应网格上学习物理动力学的能力，推动了可学习模拟的边界，并为分辨率无关的物理规律学习提供了一种架构范式。应用价值在于其比传统求解器快一到两个数量级，有望在计算成本过高的场景中替代传统模拟；同时因为模型完全可微，可用于设计优化和最优控制任务。此外，研究引入了学习尺寸场与通用重新网格化器相结合的方法，无需领域专用重新网格化器即可实现自适应分辨率调整。

研究亮点与特色

本研究的核心新颖性体现在以下方面：一是将图网络架构扩展到多边集（网格边与世界边），在网格空间与世界空间分别捕获内部和外部动力学；二是提出学习尺寸场并结合领域无关的局部重新网格化器，实现了测试时的动态自适应分辨率；三是通过相对边编码实现了分辨率与尺度无关的学习，使模型能在测试时扩展至远大于训练规模的系统；四是在非规则、动态变化的三维网格上（含数千节点）验证了方法的有效性与稳定性，突破了此前图形元素网络（Graph Element Networks）仅限小型平面系统（<50 节点）的限制。

其他有价值内容

论文附录提供了详细的数据集参数、模型超参数、训练噪声策略以及性能基准。训练噪声的处理尤为细致：对于二阶系统（布料），噪声校正策略由一个超参数 γ ∈ [0, 1] 加权平均位置与速度的误差校正目标，最佳性能在 γ = 0.1 时取得。此外，研究者重新实现了 GCN 基线并在 AirfoilSteady 稳态预测任务上验证了其正确性，同时在该任务上本文模型（RMSE 0.116）优于 GCN（RMSE 0.159）。这些内容为后续研究提供了有价值的工程参考与基准对比。