基于等变图神经网络的拉格朗日粒子流模拟.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃08⁃10

计算机应用,2025,45(8):2666-2671CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）08-2666-06DOI:10.11772/j.issn.1001-9081.2024111601

基于等变图神经网络的拉格朗日粒子流模拟

1，21*1

蒋权，黄文清，苟志勇

（1.广西民族大学人工智能学院，南宁530006；2.广西混杂计算与集成电路设计分析重点实验室，南宁530006）

（∗通信作者电子邮163.com）

摘要：图神经网络（GNN）因能较好解决结构网格的问题，且有较强的组合泛化能力，被越来越多地应用于复杂

的流体系统预测。然而，在拉格朗日无网格视角下，经过平移、旋转或翻转变换的流体粒子信息输入GNN会出现不可

预测的输出问题。为了解决该问题，提出基于等变图神经网络模拟（EGNS）的方法。首先，将几何向量转换为相对的

等变量；其次，通过每一步具有等变性的消息传递使整个神经网络具有等变性，网络输出与输入等变量的空间变换保

持一致；最后，在光滑粒子流体动力学（SPH）方法模拟的粒子轨迹里训练得到较优的EGNS模型。在公开流体仿真数

据集上的实验结果表明，EGNS具有良好预测效果，相较于图神经网络模拟（GNS）的方法，EGNS在流体粒子运动形

态、速度及典型细节的表现力上更准确，预测粒子的位置均方误差（MSE）减小了约16%。

关键词：等变图神经网络；等变性；光滑粒子动力学；流体粒子；流动预测

中图分类号：TP183；O35文献标志码：A

Lagrangianparticleflowsimulationbyequivariantgraphneuralnetwork

JIANGQuan1，2，HUANGWenqing1*，GOUZhiyong1

（1.SchoolofArtificialIntelligence，GuangxiMinzuUniversity，NanningGuangxi530006，China；

2.GuangxiKeyLaboratoryofHybridComputationandICDesignAnalysis，NanningGuangxi530006，China）

Abstract:GraphNeuralNetwork（GNN）isincreasinglyappliedtocomplexfluidsystempredictionsduetothesuperior

capabilityinhandlingstructuredgridsandstrongcombinatorialgeneralization.However，fromaLagrangianmesh-free

perspective，GNNhasunpredictableoutputvariationswhenprocessing