详细内容或原文请订阅后点击阅览
通过自适应空间标记学习可变形身体交互
本文已被 NeurIPS 2025 的 AI for Science Workshop 接受。模拟可变形体之间的相互作用在材料科学、机械设计和机器人等领域至关重要。虽然使用图神经网络 (GNN) 的基于学习的方法可以有效解决复杂的物理系统，但在对可变形身体交互进行建模时会遇到可扩展性问题。为了对对象之间的交互进行建模，必须动态创建成对的全局边缘，这对于大规模网格而言是计算密集型且不切实际的。为了克服这些挑战，借鉴......
来源:Apple机器学习研究本文已被 NeurIPS 2025 的 AI for Science Workshop 接收。
模拟可变形体之间的相互作用对于材料科学、机械设计和机器人等领域至关重要。虽然使用图神经网络 (GNN) 的基于学习的方法可以有效解决复杂的物理系统，但在对可变形身体交互进行建模时会遇到可扩展性问题。为了对对象之间的交互进行建模，必须动态创建成对的全局边缘，这对于大规模网格而言是计算密集型且不切实际的。为了克服这些挑战，利用几何表示的见解，我们提出了一种自适应空间标记化（AST）方法，用于有效表示物理状态。通过将模拟空间划分为单元网格并将非结构化网格映射到该结构化网格上，我们的方法自然地将相邻网格节点分组。然后，我们应用交叉注意力模块将稀疏单元映射到紧凑的固定长度嵌入中，作为整个物理状态的标记。自注意力模块用于预测潜在空间中这些标记的下一个状态。该框架利用标记化的效率和注意力机制的表达能力来实现准确且可扩展的模拟结果。大量的实验表明，我们的方法在建模可变形身体相互作用方面显着优于最先进的方法。值得注意的是，它在网格超过 100,000 个节点的大规模模拟中仍然有效，而现有方法受到计算限制的阻碍。此外，我们还贡献了一个新颖的大规模数据集，其中包含广泛的可变形身体相互作用，以支持该领域的未来研究。