論文の概要: Adaptive Graph Rewiring to Mitigate Over-Squashing in Mesh-Based GNNs for Fluid Dynamics Simulations

• arxiv url: http://arxiv.org/abs/2511.12709v1
• Date: Sun, 16 Nov 2025 17:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.495091
• Title: Adaptive Graph Rewiring to Mitigate Over-Squashing in Mesh-Based GNNs for Fluid Dynamics Simulations
• Title（参考訳）: 流体力学シミュレーションのためのメッシュベースGNNにおけるオーバーカッシングを緩和する適応グラフリウィリング
• Authors: Sangwoo Seo, Hyunsung Kim, Jiwan Kim, Chanyoung Park,
• Abstract要約: グラフニューラルネットワーク(GNN)を用いたメッシュシミュレーションは流体力学をモデル化するための有望なアプローチとして認識されている。 本稿では,AdaMeshNet (Adaptive Graph Rewiring in Mesh-Based Graph Neural Networks) と呼ばれる新しいフレームワークを提案する。 本手法は,最短経路距離と速度差に基づいて,メッシュグラフ内のボトルネックノードのスイッチング遅延スコアを算出する。
• 参考スコア（独自算出の注目度）: 16.679879462679857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mesh-based simulation using Graph Neural Networks (GNNs) has been recognized as a promising approach for modeling fluid dynamics. However, the mesh refinement techniques which allocate finer resolution to regions with steep gradients can induce the over-squashing problem in mesh-based GNNs, which prevents the capture of long-range physical interactions. Conventional graph rewiring methods attempt to alleviate this issue by adding new edges, but they typically complete all rewiring operations before applying them to the GNN. These approaches are physically unrealistic, as they assume instantaneous interactions between distant nodes and disregard the distance information between particles. To address these limitations, we propose a novel framework, called Adaptive Graph Rewiring in Mesh-Based Graph Neural Networks (AdaMeshNet), that introduces an adaptive rewiring process into the message-passing procedure to model the gradual propagation of physical interactions. Our method computes a rewiring delay score for bottleneck nodes in the mesh graph, based on the shortest-path distance and the velocity difference. Using this score, it dynamically selects the message-passing layer at which new edges are rewired, which can lead to adaptive rewiring in a mesh graph. Extensive experiments on mesh-based fluid simulations demonstrate that AdaMeshNet outperforms conventional rewiring methods, effectively modeling the sequential nature of physical interactions and enabling more accurate predictions.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)を用いたメッシュシミュレーションは流体力学をモデル化するための有望なアプローチとして認識されている。 しかし、急勾配の領域に細かな分解能を割り当てるメッシュ精細化技術は、メッシュベースのGNNにおいて過剰なスカッシング問題を誘発し、長距離物理的相互作用の捕捉を防止する。 従来のグラフリワイア法では、新しいエッジを追加することでこの問題を緩和しようとするが、GNNに適用する前に、通常すべてのリワイア操作を完了する。 これらのアプローチは、遠く離れたノード間の即時相互作用を仮定し、粒子間の距離情報を無視しているため、物理的に非現実的である。 これらの制約に対処するために,AdaMeshNet (Adaptive Graph Rewiring in Mesh-Based Graph Neural Networks) と呼ばれる新しいフレームワークを提案する。 本手法は,最短経路距離と速度差に基づいて,メッシュグラフ内のボトルネックノードのスイッチング遅延スコアを算出する。 このスコアを使用して、新しいエッジがリワイヤされるメッセージパッシング層を動的に選択する。 メッシュベースの流体シミュレーションに関する大規模な実験により、AdaMeshNetは従来のリワイア法よりも優れており、物理的相互作用のシーケンシャルな性質を効果的にモデル化し、より正確な予測を可能にしている。

関連論文リスト

• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• PIORF: Physics-Informed Ollivier-Ricci Flow for Long-Range Interactions in Mesh Graph Neural Networks [23.97389618896843]
  本稿では,物理相関とグラフトポロジを結合した新しいリウィリング法であるPhysical-Informed Ollivier-Ricci Flow (PIORF)を提案する。 PIORFはベースラインモデルと既存のリワイア法を一貫して上回り、最大26.2の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-05T04:14:05Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Gradient Rewiring for Editable Graph Neural Network Training [84.77778876113099]
  underlineGradient underlineRewiringメソッドは、textbfGREという、アンダーライン編集可能なグラフニューラルネットワークトレーニングのためのものだ。 そこで本稿では,textbfGRE という名前のアンダーライン編集可能なグラフニューラルネットワークトレーニングのための,シンプルで効果的なアンダーライングラディエントアンダーラインリスイッチ法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T01:01:50Z)
• Enhancing Graph U-Nets for Mesh-Agnostic Spatio-Temporal Flow Prediction [2.3964255330849356]
  非定常流場予測のためのグラフU-Netの可能性を探る。 グラフU-Netを用いたメッシュ非依存時間ロバスト性予測の一貫した流れ場を改善するための新しい手法を提案する。 Graph U-Netアーキテクチャの主要な拡張は、ノードの動的モデリングにおける柔軟性の向上を提供する。
  論文  参考訳（メタデータ） (2024-06-06T07:01:36Z)
• Identification of vortex in unstructured mesh with graph neural networks [0.0]
  本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。 2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
  論文  参考訳（メタデータ） (2023-11-11T12:10:16Z)
• A Finite Element-Inspired Hypergraph Neural Network: Application to Fluid Dynamics Simulations [4.984601297028257]
  ディープラーニング研究の新たなトレンドは、連続体力学シミュレーションにおけるグラフニューラルネットワーク(GNN)の適用に焦点を当てている。 本稿では,ノードをエッジではなく要素で接続することでハイパーグラフを構築する手法を提案する。 本稿では,この手法を有限要素インスパイアされたハイパーグラフニューラルネットワーク(FEIH($phi$)-GNN)と呼ぶ。
  論文  参考訳（メタデータ） (2022-12-30T04:10:01Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• M2N: Mesh Movement Networks for PDE Solvers [17.35053721712421]
  PDEソルバのための学習ベースエンドツーエンドメッシュ移動フレームワークを提案する。 主な要件は、メッシュの緩和、バウンダリ一貫性、さまざまな解像度のメッシュへの一般化である。 我々は定常・時間依存・線形・非線形方程式について検証する。
  論文  参考訳（メタデータ） (2022-04-24T04:23:31Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。