論文の概要: Mask-Morph Graph U-Net: A Generalisable Mesh-Based Surrogate for Crashworthiness Field Prediction under Large Geometric Variation

• arxiv url: http://arxiv.org/abs/2605.15231v1
• Date: Wed, 13 May 2026 18:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.018948
• Title: Mask-Morph Graph U-Net: A Generalisable Mesh-Based Surrogate for Crashworthiness Field Prediction under Large Geometric Variation
• Title（参考訳）: Mask-Morph Graph U-Net: 大規模幾何学的変動下での耐衝撃性予測のための汎用メッシュベースサロゲート
• Authors: Haoran Li, Tobias Lehrer, Yingxue Zhao, Haosu Zhou, Philipp Stocker, Tobias Pfaff, Nan Li,
• Abstract要約: 有限要素衝突シミュレーションは正確だが計算コストがかかり、設計最適化での使用が制限される。 グラフニューラルネットワーク(GNN)に基づく機械学習サロゲートモデルは、より高速な代替手段を提供する。 本稿では,階層型グラフU-Netアーキテクチャの限界に対処する実践的アプローチであるMask-Morph Graph U-Netを提案する。
• 参考スコア（独自算出の注目度）: 9.368489153302326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nonlinear finite element crash simulations are accurate but computationally expensive, limiting their use in iterative design optimisation. Machine-learning surrogate models based on graph neural networks (GNNs) offer a faster alternative. Message-passing GNNs are widely used for mesh simulation, and their shared node and edge update functions are relatively generalisable across varying graph structures. By contrast, non-shareable edge-specific aggregation layers can capture nonlinear relationships more accurately but usually require fixed graph connectivity, which limits generalisability. This paper presents Mask-Morph Graph U-Net (MMGUNet), a practical approach to addressing the limitation of hierarchical Graph U-Net architectures that use edge-specific downsampling and upsampling layers. Fixed coarse graph connectivity is required for edge-specific layers. To retain this while improving spatial correspondence, the proposed method morphs the coarsened graph hierarchy to each input mesh using feature-aligned barycentric parameterisation before constructing cross-graph edges. It further applies node masking during supervised pretraining, followed by parameter-efficient fine-tuning in which high-parameter edge-specific layers are frozen. The proposed approach is evaluated in in-distribution, out-of-distribution, and cross-component transfer settings using mean Euclidean distance and maximum intrusion percentage error. Results show that coarse-graph morphing improves test accuracy relative to a fixed-coarse-graph baseline, while masked supervised pretraining reduces the train-test discrepancy and improves data efficiency during transfer. The proposed model also achieves lower prediction error compared with external baselines. These results demonstrate a practical route toward reusable, data-efficient mesh-based surrogate modelling for crashworthiness design exploration.
• Abstract（参考訳）: 非線形有限要素衝突シミュレーションは正確だが計算コストが高く、反復設計最適化における使用を制限する。 グラフニューラルネットワーク(GNN)に基づく機械学習サロゲートモデルは、より高速な代替手段を提供する。 メッセージパッシングGNNはメッシュシミュレーションに広く使われており、その共有ノードとエッジ更新関数はグラフ構造によって相対的に一般化可能である。 対照的に、共有できないエッジ固有の集約層は、より正確に非線形関係をキャプチャすることができるが、通常、一般化性を制限する固定グラフ接続を必要とする。 本稿では,エッジ固有のダウンサンプリング層とアップサンプリング層を用いた階層型グラフU-Netアーキテクチャの制限に対処する実践的アプローチであるMask-Morph Graph U-Net(MMGUNet)を提案する。 エッジ固有のレイヤには、固定された粗いグラフ接続が必要である。 空間対応性を向上しながらこれを維持するため,提案手法は,クロスグラフエッジを構築する前に特徴整列バリセント型パラメータ化を用いて,各入力メッシュに粗いグラフ階層を変形させる。 さらに、教師付き事前トレーニング中にノードマスキングを適用し、パラメータ効率の良い微調整を行い、高パラメータのエッジ固有の層を凍結する。 提案手法は, 平均ユークリッド距離と最大侵入率誤差を用いて, 分配, 分配, クロスコンポーネント転送設定において評価される。 その結果、粗グラフフォーミングは、固定粗グラフベースラインに対するテスト精度を向上する一方、マスク付き教師付きプレトレーニングは、列車試験の不一致を低減し、転送時のデータ効率を向上することを示した。 また,提案モデルでは,外部ベースラインと比較して予測誤差が低い。 これらの結果は、再利用可能な、データ効率の高いメッシュベースのサロゲートモデリングへの実践的な道筋を示すものである。

関連論文リスト

• Adaptive Graph Rewiring to Mitigate Over-Squashing in Mesh-Based GNNs for Fluid Dynamics Simulations [16.679879462679857]
  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。
  論文  参考訳（メタデータ） (2025-11-16T17:51:37Z)
• Mesh-based Super-Resolution of Fluid Flows with Multiscale Graph Neural Networks [0.0]
  メッシュベースの流体の3次元超解像を可能にするグラフニューラルネットワーク(GNN)アプローチが本研究で導入された。 このフレームワークでは、GNNは一度に完全なメッシュベースのフィールドでではなく、要素(またはセル)の局所的なメッシュで動くように設計されている。
  論文  参考訳（メタデータ） (2024-09-12T05:52:19Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。 これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)
• Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
  We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。 まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。 監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
  論文  参考訳（メタデータ） (2022-12-25T23:19:56Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Residual Correlation in Graph Neural Network Regression [39.54530450932135]
  我々は条件付き独立仮定が予測力を著しく制限していることを示します。 この問題を解釈可能かつ効率的なフレームワークで解決する。 我々のフレームワークは、競合するベースラインよりもかなり高い精度を実現している。
  論文  参考訳（メタデータ） (2020-02-19T16:32:54Z)

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。