物理世界中的液体的难以解释需要准确地模拟其许多科学和工程应用的动态。传统上,建立得很好但资源密集的CFD溶解器提供了这种模拟。近年来已经看到了深入学习的替代模型,取代了这些求解器来缓解模拟过程。构建数据驱动代理的一些方法模拟了求解器迭代过程。他们推断出前一个液体的下一个状态。其他人直接从时间输入中推断出来。方法在其对空间信息的管理方面也有所不同。图形神经网络(GNN)可以解决CFD仿真中常用的不规则网格的特异性。在本文中,我们展示了我们正在进行的工作来设计一种用于不规则网格的新型直接时间GNN架构。它包括随着样条卷绕卷积连接的尺寸的连续。我们在von k {\'a} rm {\'a} n的vortex街基准测试中测试我们的架构。它实现了小的泛化误差,同时减轻了轨迹的误差累积。
translated by 谷歌翻译