[发明专利]一种用于流体仿真的图神经网络仿真方法及系统

说明书

本发明属于机器学习仿真模拟领域，涉及一种用于流体仿真的图神经网络仿真方法及系统。该方法包括模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；将L个时间步的静态流体粒子结构构造图结构；根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括：流体粒子的速度或加速度。本发明能够实现流体仿真。

技术领域

本发明涉及机器学习仿真模拟领域，特别是涉及一种用于流体仿真的图神经网络仿真方法及系统。

背景技术

复杂物理学的现实模拟器对许多科学和工程学科来说是非常有价值的，然而传统的模拟器在创建和使用时可能非常昂贵。建立一个模拟器可能需要多年的工程努力，且高质量的模拟器需要大量的计算资源，这使得扩大规模变得遥不可及。即使是最好的也往往不准确，因为对基础物理和参数的了解不够，或难以近似潜在的物理学和参数。

传统模拟器的一个有吸引力的替代方法是使用机器学习来直接从观察到的数据中训练模拟器，然而，流体这种大的状态空间和复杂的动态一直是标准的端到端学习方法难以克服的。

发明内容

本发明的目的是提供一种用于流体仿真的图神经网络仿真方法及系统，能够实现流体仿真。

为实现上述目的，本发明提供了如下方案：

一种用于流体仿真的图神经网络仿真方法，包括：

模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；

将L个时间步的静态流体粒子结构构造图结构；

根据当前时间步上的图结构，采用仿真模拟器学习一个参数化的函数近似器，模拟流体粒子的动态变化；所述仿真模拟器以当前时间步上的图结构，及光滑粒子法模拟的当前时间步的动态特征信息和下一个时间步上的动态特征信息作为输入，通过参数化的函数近似器，预测下一时间步上的流体粒子特征向量；所述流体粒子特征向量包括：流体粒子的速度或加速度。

可选地，所述模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的流体粒子特征向量，之前还包括：

采用光滑粒子法获取流体粒子动态过程。

可选地，所述仿真模拟器为对抗自编码器；

所述仿真模拟器包括：图编码器和图鉴别器。

可选地，所述图编码器包括：L个编码器；

每个所述编码器使用多头注意力机制；每个所述编码器包括：R层自注意力层、一层全连接层和R+1层归一化层；

其中，每一层自注意力层均以Relu作为激活函数，每一层自注意层后面均添加一层归一化层；在R层自注意力层后添加一层全连接层，并在全连接层后添加归一化层；将流体粒子特征向量嵌入到128维的潜在向量中。

可选地，所述图鉴别器包括：两层注意力层、两层归一化层和一层输出层；

每一层自注意力层后均添加一层归一化层；输出层将粒子特征映射到一维空间，并使用Sigmoid作为激活函数。

一种用于流体仿真的图神经网络仿真系统，包括：

数据处理模块，模拟流体粒子动态过程，并将流体粒子动态过程分割成L个时间步的静态流体粒子结构，并获取L个时间步的动态特征信息；

图构造模块，用于将L个时间步的静态流体粒子结构构造图结构；