Technische Samenvatting: Physics-Informed Coarsening voor Multigrid Graph Neural Surrogates

Probleemstelling

Op basis van leren gebaseerde surrogates voor partiële differentiaalvergelijkingen (PDE's) hebben significante versnellingen bereikt in de vloeistofdynamica en gestructureerde geometrieën. Echter, robuuste surrogates voor solide mechanica blijven onderbelicht. Simulaties in de solide mechanica presenteren unieke uitdagingen vergeleken met vloeistofsettings, waaronder:

• Complexe Geometrieën: Volledig 3D ongestructureerde meshes.
• Sterke Nonlineariteiten: Grote deformaties, plasticiteit, contactinterfaces en transiënte gedragingen.
• Computationele Kosten: High-fidelity simulaties (bijv. de Eindige Elementen Methode) vereisen vaak dagen of weken, wat hun gebruik in tijdgevoelige engineering workflows beperkt.

Bestaande benaderingen op basis van leren zijn vaak afhankelijk van geometrische heuristieken voor downsampling of puur geleerde belangscores, die kunnen falen in het vastleggen van dynamisch kritieke regio's (bijv. spanningsconcentraties) die essentieel zijn voor stabiliteit in nietlineaire solide regimes.

Methodologie

De auteurs stellen een Multigrid Graph Neural Network (GNN) architectuur voor, die is afgestemd op mesh-gebaseerde simulaties in de solide mechanica. De kerninnovatie is een physics-informed coarsening strategie die standaard geometrische downsampling vervangt.

1. Architectuuroverzicht

Het model volgt een Encoder-Processor-Decoder framework:

• Encoder: Brengt ruwe knoopkenmerken (verplaatsing, snelheid, positie) naar een latente ruimte via een pointwise MLP.
• Processor: Voert message passing uit over een multigrid hiërarchie. Het wisselt af tussen:
  1. Fine-scale message passing (GraphNet blokken).
  2. Downsampling: Het reduceren van de graafresolutie.
  3. Upsampling: Het interpoleren van grove kenmerken terug naar de fijne graaf.
• Decoder: Brengt latente kenmerken terug naar de fysieke ruimte om incrementele updates te voorspellen ($u_{t+1} = u_t + \Phi_\theta(u_t, G)$).

2. Physics-Informed Coarsening

In tegenstelling tot eerdere methoden die Farthest Point Sampling (FPS) of geleerde attention scores gebruiken, selecteert deze methode grove knopen op basis van een residual-gebaseerde maatstaf van lokale fysieke activiteit.

• Residual Berekening: Bij elke tijdstap decodeert het model latente kenmerken naar de fysieke ruimte en berekent een nodale fysieke residual ($r_i$) afgeleid van de leidende vergelijkingen van de solide mechanica.
  • Voor transiënte dynamica: $r_i = \rho_i \ddot{\hat{u}}_i - (\nabla_h \cdot \hat{\sigma})_i - \rho_i b_i$.
  • Voor quasi-statische regimes: De inertieterm wordt weggelaten.
• Scoring: De scalaire knoopscore is de gekwadrateerde norm van de residual ($s_i = \|r_i\|^2$). Hoge scores duiden op regio's met hoge rek, spanningsconcentratie of mechanische onbalans.
• Selectie: Grove knopen worden geselecteerd via Top-K deterministische rangschikking of probabilistische sampling die wordt gestuurd door deze scores.
• Remeshing: Bij selectie wordt de grove graafconnectiviteit ofwel overgenomen van de fijne mesh, ofwel opnieuw opgebouwd met behulp van k-nearest neighbors (KNN) in de Euclidische ruimte om een consistente topologie te waarborgen.

3. Datasets

De methode wordt geëvalueerd op drie nieuwe benchmark-datasets die diverse regimes van de solide mechanica dekken:

1. DeformingPlate: Quasi-statische hyperelastische deformatie (nietlineaire elasticiteit).
2. BeamSimple / BendingBeam: Nietlineaire elastische deformatie met langetermijn geometrische koppeling.
3. SpindleUpsetting: Industriële schaal elasto-plastische vormgeving met contact en grote plastische deformatie.

Belangrijkste Bijdragen

1. Multigrid GNN voor Solids: Een surrogate model specifiek ontworpen voor ongestructureerde 3D meshes in de solide mechanica, gebruikmakend van coarse-to-fine message passing.
2. Physics-Informed Sampling: Een nieuwe downsampling strategie die knopen prioriteert op basis van fysieke residuals in plaats van geometrische distributie, waardoor de modelcapaciteit wordt gericht op dynamisch kritieke regio's.
3. Nieuwe Benchmarks: De release van drie datasets die variëren van nietlineaire elasticiteit en elasto-plasticiteit tot transiënte dynamica, ter aanvulling op bestaande focus op vloeistoffen.
4. Empirische Validatie: Demonstratie van verbeterde nauwkeurigheid en long-horizon rollout stabiliteit vergeleken met standaard sampling baselines.

Resultaten

Experimenten werden uitgevoerd op de DeformingPlate dataset voor ablatie-studies en uitgebreid naar andere datasets voor generalisatie.

• Ablatie op Sampling: Vergelijking van de voorgestelde physics-informed sampling met Random, FPS en attention-gebaseerde sampling binnen dezelfde multigrid architectuur.
• Prestaties: De physics-informed aanpak presteerde consequent beter dan geometrische en geleerde alternatieven in zowel 1-step RMSE als long-horizon rollout RMSE.
• Stabiliteit: De methode toonde met name winst in long-horizon stabiliteit, wat suggereert dat het toewijzen van de capaciteit op het grove niveau aan fysiek actieve regio's (spanningsconcentraties, grensovergangen) cruciaal is voor stabiele autoregressieve voorspelling in nietlineaire regimes.

Betekenis en Claims

Het artikel betoogt dat physics-informed coarsening essentieel is voor schaalbare surrogate modellering in de solide mechanica. Door de multigrid hiërarchie te sturen naar regio's waar de leidende vergelijkingen het meest worden geschonden (bijv. hoge spanning of deformatie), zorgt het model voor:

• Behoud van langetermijn interacties die nodig zijn voor globale koppeling.
• Verbeterde stabiliteit tijdens lange rollouts waarbij foutaccumulatie een risico is.
• Een effectiever criterium voor knoopselectie dan geometrie alleen, met name in regimes met sterke nonlineariteiten zoals plasticiteit en contact.

Dit werk benadrukt dat hoewel multigrid structuren efficiënt zijn, hun effectiviteit in de solide mechanica sterk afhangt van hoe de grove representatie wordt geconstrueerd. De voorgestelde methode overbrugt de kloof tussen klassieke numerieke residual-gebaseerde foutindicatoren en moderne leer-gebaseerde surrogates.