Learning Mesh-Free Discrete Differential Operators with Self-Supervised Graph Neural Networks
Questo lavoro introduce un framework basato su reti neurali grafiche auto-supervisionate per apprendere operatori differenziali discreti privi di mesh, che superano i compromessi tra costo computazionale e accuratezza dei metodi classici garantendo robustezza geometrica e riutilizzabilità in diverse configurazioni di particelle ed equazioni governative.