Графовая нейросеть Mask-Morph Graph U-Net повышает точность краш-тестов

Моделирование краш-тестов с помощью метода конечных элементов даёт точные результаты, но требует огромных вычислительных ресурсов. Это ограничивает использование таких симуляций в итеративном проектировании автомобилей. Учёные активно ищут более быстрые альтернативы, и одним из перспективных направлений стали графовые нейронные сети (GNN).

Новая работа, опубликованная в архиве препринтов arXiv, предлагает модель Mask-Morph Graph U-Net (MMGUNet). Разработчики сосредоточились на проблеме иерархических архитектур Graph U-Net, которые используют сжимающие и расширяющие слои с рёберно-специфичными операциями. Такие слои обеспечивают высокую точность, но обычно требуют фиксированной связности графа, что снижает способность модели адаптироваться к разным сеткам.

MMGUNet решает эту проблему с помощью двух ключевых идей. Во-первых, применяется морфинг (изменение формы) грубой графовой иерархии под каждую входную сетку с использованием барицентрической параметризации с выравниванием признаков. Это позволяет сохранить точность рёберно-специфичных слоёв, но при этом обеспечить пространственное соответствие с любым входным мешем. Во-вторых, во время предобучения используется маскирование узлов, а затем эффективная донастройка с замороженными рёберно-специфичными слоями с большим числом параметров.

Исследователи протестировали модель на задачах внутри распределения, вне распределения и переноса между компонентами. Оценка проводилась по средней евклидовой ошибке и максимальной погрешности проникновения. Результаты показали, что морфинг грубой сетки улучшает точность по сравнению с фиксированной грубой сеткой, а маскированное предобучение снижает разрыв между обучающей и тестовой выборкой и повышает эффективность переноса.

Кроме того, MMGUNet продемонстрировала более низкую ошибку прогноза по сравнению с внешними базовыми моделями. Авторы отмечают, что предложенный подход открывает практический путь к созданию переиспользуемых и эффективных по данным суррогатных моделей на основе мешей для исследования дизайна краш-безопасности.