Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs

📄 arXiv: 2407.03925v3 📥 PDF

作者: Hrishikesh Viswanath, Yue Chang, Aleksey Panas, Julius Berner, Peter Yichen Chen, Aniket Bera

分类: cs.LG

发布日期: 2024-07-04 (更新: 2025-05-16)

🔗 代码/项目: GITHUB

💡 一句话要点

GIOROM：基于图神经网络的降阶模型，加速拉格朗日动力学仿真。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 拉格朗日动力学 降阶模型 图神经网络 偏微分方程 数据驱动 离散化不变性

📋 核心要点

  1. 传统拉格朗日动力学仿真计算成本高昂，因为需要求解高分辨率空间域上的偏微分方程。
  2. GIOROM利用图神经网络学习PDE解算子，从稀疏观测估计点值函数，降低对数值求解器的依赖。
  3. 实验表明，GIOROM在多种拉格朗日状态下，实现了输入维度大幅降低的同时保持高保真重建。

📝 摘要（中文）

模拟由拉格朗日动力学控制的复杂物理系统通常需要在高分辨率空间域上求解偏微分方程（PDE），导致巨大的计算成本。我们提出了GIOROM（图信息降阶建模），这是一个数据驱动的、离散化不变的框架，通过降阶建模（ROM）加速拉格朗日仿真。先前的离散化不变ROM方法依赖于PDE时间步进器来时空演化低维降阶潜在状态。相反，我们利用基于图的数据驱动神经网络来近似PDE解算子。该算子从稀疏的输入观测集中估计点值函数，减少了对已知控制方程或数值求解器的依赖。通过使用学习到的核参数化将这些点值估计嵌入到降阶潜在空间中来实现降阶。这种潜在表示能够通过使用核在解流形上的局部邻域上演化潜在变量，从而在任意空间查询点重建解。经验表明，GIOROM实现了6.6倍-32倍的输入维度降低，同时在包括流体流动、颗粒介质和弹塑性动力学在内的各种拉格朗日状态下保持了高保真度的重建。由此产生的框架实现了可学习的、数据驱动的和离散化不变的降阶，并减少了对解析PDE公式的依赖。我们的代码位于https://github.com/HrishikeshVish/GIOROM。

🔬 方法详解

问题定义：论文旨在解决拉格朗日动力学仿真中计算成本过高的问题。传统方法依赖于高分辨率网格和数值求解器，计算量巨大。现有的降阶模型（ROM）方法虽然可以降低计算量，但通常依赖于PDE时间步进器，且对离散化方式敏感。

核心思路：论文的核心思路是利用数据驱动的图神经网络直接学习PDE的解算子，从而避免了对传统数值求解器的依赖。通过学习从稀疏观测到点值函数的映射，并结合降阶建模，可以在低维潜在空间中进行仿真，从而显著降低计算成本。

技术框架：GIOROM框架主要包含以下几个模块：1) 数据收集：通过仿真或其他方式获取拉格朗日动力学系统的数据。2) 图构建：将空间域离散化为图结构，节点表示空间点，边表示点之间的关系。3) 神经网络解算子：使用图神经网络学习PDE解算子，该算子从稀疏的输入观测集中估计每个节点的函数值。4) 降阶建模：将点值估计嵌入到低维潜在空间中，使用学习到的核参数化进行降阶。5) 解的重构：通过在潜在空间中演化，并使用核函数将潜在变量映射回原始空间，从而在任意空间查询点重建解。

关键创新：GIOROM的关键创新在于：1) 使用图神经网络直接学习PDE解算子，避免了对传统数值求解器的依赖。2) 提出了一种数据驱动的、离散化不变的降阶建模方法，可以处理不同离散化方式的数据。3) 通过学习核参数化，实现了在低维潜在空间中的高效仿真和高保真重建。

关键设计：论文中使用了图神经网络作为PDE解算子，具体的网络结构未知。损失函数的设计目标是最小化重建误差，即原始解和重构解之间的差异。核函数的选择和参数化方式对降阶建模的性能至关重要，具体细节未知。稀疏观测点的选择策略也会影响模型的性能，具体策略未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

GIOROM在多种拉格朗日状态下实现了6.6倍-32倍的输入维度降低，同时保持了高保真度的重建。这意味着在计算资源有限的情况下，可以使用更少的计算量获得更精确的仿真结果。具体的性能指标，例如均方误差（MSE）或结构相似性指数（SSIM），未知。

🎯 应用场景

GIOROM可应用于各种拉格朗日动力学系统的仿真，例如流体流动、颗粒介质、弹塑性动力学等。该方法可以显著降低仿真成本，加速设计迭代，并支持实时仿真。潜在的应用领域包括航空航天、汽车工程、材料科学等。

📄 摘要（原文）

Simulating complex physical systems governed by Lagrangian dynamics often requires solving partial differential equations (PDEs) over high-resolution spatial domains, resulting in substantial computational costs. We present GIOROM (\textit{G}raph \textit{I}nf\textit{O}rmed \textit{R}educed \textit{O}rder \textit{M}odeling), a data-driven discretization invariant framework for accelerating Lagrangian simulations through reduced-order modeling (ROM). Previous discretization invariant ROM approaches rely on PDE time-steppers for spatiotemporally evolving low-dimensional reduced-order latent states. Instead, we leverage a data-driven graph-based neural approximation of the PDE solution operator. This operator estimates point-wise function values from a sparse set of input observations, reducing reliance on known governing equations of numerical solvers. Order reduction is achieved by embedding these point-wise estimates within the reduced-order latent space using a learned kernel parameterization. This latent representation enables the reconstruction of the solution at arbitrary spatial query points by evolving latent variables over local neighborhoods on the solution manifold, using the kernel. Empirically, GIOROM achieves a 6.6$\times$-32$\times$ reduction in input dimensionality while maintaining high-fidelity reconstructions across diverse Lagrangian regimes including fluid flows, granular media, and elastoplastic dynamics. The resulting framework enables learnable, data-driven and discretization-invariant order-reduction with reduced reliance on analytical PDE formulations. Our code is at \href{https://github.com/HrishikeshVish/GIOROM}{https://github.com/HrishikeshVish/GIOROM}