Исследователи представили метод обучения графовых нейронных сетей с механизмом внимания для моделирования термогидродинамических полей без использования обучающей выборки. Вместо классического обучения на размеченных данных, модель минимизирует невязки метода конечных объемов (FVM) для уравнений сохранения. Это позволяет существенно снизить вычислительные затраты и требования к хранению данных при прогнозировании сложных физических процессов в 3D-средах.
Традиционные подходы в научном машинном обучении требуют генерации огромных массивов данных с помощью численных решателей, что создает «бутылочное горлышко» в производительности. Новый подход переносит акцент с аппроксимации готовых решений на соблюдение фундаментальных физических законов непосредственно в процессе обучения нейросети. Использование архитектуры на основе графовых сетей с вниманием позволяет эффективно обрабатывать пространственные зависимости в неструктурированных сетках, характерных для инженерных задач.
Данная методика открывает путь к созданию высокоточных суррогатных моделей для задач аэродинамики, теплообмена и механики сплошных сред. Исключение этапа подготовки данных сокращает время разработки цифровых двойников и позволяет быстрее адаптировать модели под изменяющиеся геометрические параметры систем без необходимости повторного запуска ресурсоемких симуляций.
Ключевые факты
- Метод основан на минимизации невязок метода конечных объемов (FVM) для уравнений термогидродинамики.
- Архитектура использует графовые нейронные сети (GNN) с механизмом внимания для работы с 3D-полями.
- Подход полностью исключает необходимость в предварительно сгенерированных наборах данных (label-free training).
- Технология направлена на ускорение создания суррогатных моделей для сложных инженерных симуляций.