空間・時間の意識を備えたメッシュベースのシミュレーション

Abstract

計算流体力学（CFD）のための機械学習サロゲート、特にグラフニューラルネットワーク（GNN）やトランスフォーマーは、物理シミュレーションを加速する新しい重要なアプローチとして注目されるようになっています。しかし我々は、この分野における重要なボトルネックを特定します。すなわち、アーキテクチャは大きく進歩している一方で、一般的な基盤となる学習パラダイムは、ノード単位の教師あり学習や明示的オイラーの時間ステッピングのような、素朴な仮定に縛られたままであるという点です。これらの旧来の選択は、有限要素法、差分法、体積法（FEM）などの多くの偏微分方程式の解法に内在する、硬い（stiff）ダイナミクスや局所的なフラックス連続性を無視しています。本研究では、幾何学的ディープラーニングと厳密な数値解析の間のギャップを埋める統一的な枠組みを提案します。我々は3つの主要な革新を導入します。（1）マルチノード予測：ステンシル（stencil）レベルの目的関数であり、あるノードの局所トポロジ全体に対して場の値を予測し、空間微分の整合性を強制します。（2）時間補正：不安定な明示的スキームを、時間的クロスアテンション（temporal Cross-Attention）による予測子—修正子（predictor-corrector）へ置き換えます。（3）幾何学的な帰納バイアス：3D回転位置埋め込み（3D Rotary Positional Embeddings: RoPE）を活用して、不規則メッシュにおける回転対称性を頑健に捉えます。本枠組みを、3つのアーキテクチャ（MeshGraphNet、Transolver、ならびにトランスフォーマー）に対して、多様な物理データセットにて評価します。このアプローチは、特に長期ホライゾンでのロールアウトにおいて、精度と安定性の両面で一貫した改善をもたらし、さらに壁面せん断応力（Wall Shear Stress）や圧力（Pressure）予測のような、未見の下位タスクへも一般化できる潜在表現を生成します。コードは https://github.com/DonsetPG/graph-physics で利用可能です。