Graph Physics：以多節點預測、時序修正與3D RoPE強化CFD機器學習替代模型
CFD替代模型常受逐節點監督與顯式時間積分限制。本研究提出三項做法：多節點預測維持空間導數一致、時間交互注意實作預測—修正取代不穩定顯式法、以及3D RoPE捕捉旋轉對稱。並在多種架構與資料集上驗證，取得一致性改善與長時程模擬精度及穩定性提升。
摘要速報
研究提出一套把幾何深度學習和嚴謹數值分析接上的框架，旨在改善以GNN與Transformer為基底的CFD替代模型在長時程模擬的準確性與穩定性。
問題與動機
現有訓練範式常用節點逐一監督與顯式時間積分，這些遺產式做法忽視多數偏微分方程求解器（如有限元素、差分或體積法）所帶來的剛性動態與局部通量連續性，導致模擬在長時間滾動預測時易失穩或誤差累積。
三項關鍵創新
一是Multi Node Prediction：改以一個節點的完整局部拓撲（stencil）為目標，同步預測多個欄位值以強制空間導數一致性。二是Temporal Correction：用時間交互注意（temporal cross-attention）構成預測—修正器，取代不穩定的顯式時間步進。三是Geometric Inductive Biases：採用3D Rotary Positional Embeddings以在非結構化網格上穩健捕捉旋轉對稱。
驗證與影響
作者將此框架套用於多種架構（包括MeshGraphNet、Transolver與Transformer實作）和不同物理資料集上，結果在精度與穩定性，尤其是長時程滾動預測方面，呈現一致性提升；所學得的潛變表示也能外推至牆面剪力或壓力等未見子任務。程式碼與實驗細節公布於原作者儲存庫。
程式碼與更多細節：https://github.com/DonsetPG/graph-physics
延伸閱讀
- NAKUL：結合動態核、可學習頻帶與圖導向注意力的狀態空間模型
- TimeTok：以層次化 Token 化與 Conditional Flow Matching 實現粒度可控的時間序列生成
- PAMod 框架：在正規化特徵空間以相位與振幅調變自適應週期性分布偏移
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
