Physics-Informed Coarsening for Multigrid Graph Neural Surrogates¶

会议: ICML 2026
arXiv: 2605.31013
代码: 项目主页
领域: 科学计算 / 图神经 PDE 代理 / 固体力学
关键词: 多重网格 GNN, 物理残差, 固体力学代理, 网格粗化, 长时滚动

一句话总结¶

本文为固体力学有限元仿真训练了一个 Encoder-Processor-Decoder 多重网格 GNN 代理模型，核心创新是把"粗化（downsampling）时选哪些节点"从几何启发式（FPS）/学习注意力换成"按动量守恒方程的离散残差打分再 TopK"，从而把粗层算力倾斜到应力集中、接触界面、大变形等动力学关键区域，在 DeformingPlate 上把 rollout RMSE 从 SOTA 的 \(11.46\times 10^{-3}\) 降到 \(6.5\times 10^{-3}\)（提升约 43%）。

研究背景与动机¶

领域现状：用神经网络替代 FEM 做 PDE 仿真已经在流体（Navier-Stokes、湍流、翼型）上跑出了几个数量级的加速，主流架构是 MeshGraphNet 系的 Encode-Process-Decode 图神经网络，配合多重网格/U-Net 风的分层消息传递（MultiScale MeshGraphNets、BSMS-GNN、Multi-Scale GNN、HCMT、UNISOMA）来缓解深层 GNN 的过平滑、提升长程信息传播。

现有痛点：（i）固体力学被严重低估——它和流体不一样，存在大变形、塑性、接触、应力集中这些强非线性局部现象，主流 benchmark（基本全是流体）测不出来；（ii）多重网格架构里"粗化时选哪些节点保留"这个核心设计普遍用 farthest point sampling（FPS）这类纯几何启发式，或者用学习到的 attention 分数——前者完全不看物理，会均匀铺满整个 domain，把算力浪费在没什么物理活动的安静区域；后者训练时容易跑偏。

核心矛盾：粗层节点数有限（本文固定 50%），如果按几何均匀分布，应力集中和接触界面这些"动力学关键但空间上局部"的区域分到的粗层算力就不够，长时 rollout 时这些区域的误差最先发散，反过来污染整个解。

本文目标：（i）设计一个粗化准则，让粗层节点优先落在"物理上重要"的区域；（ii）这个准则要在 quasi-static 超弹、瞬态非线性弹性、含接触的弹塑性这几种 regime 都能用；（iii）配套发布固体力学 benchmark 弥补缺口。

切入角度：作者借了经典 FEM 里"residual-based adaptive mesh refinement"的老想法——FEM 自适应加密就是按 PDE 残差大的地方加密网格。把这个思路平移到 GNN 多重网格：粗化时按动量守恒方程的离散残差打分。

核心 idea：用"动量守恒方程的离散残差范数"作为节点重要性得分，TopK 选出残差最大的节点构成粗图，让多重网格层级自然向应力集中区/接触界面/大变形区倾斜。

方法详解¶

整体框架¶

输入：时刻 \(t\) 的 3D 非结构网格 \(\mathcal{G}=(\mathcal{V},\mathcal{E})\) 及节点物理场 \(\bm{u}^t\)（位移/速度/位置）。输出：下一步增量 \(\bm{u}^{t+1}=\bm{u}^t+\Phi_\theta(\bm{u}^t,\mathcal{G})\)，残差式时间推进，便于长时 rollout。

主干为 Encoder–Processor–Decoder。Encoder 用逐点 MLP 把节点特征升到隐维度 \(h\)；Decoder 把最终隐特征映回 \(\mathbb{R}^3\)。Processor 在隐空间交替执行三种算子：（i）GraphNet 块 \(\mathrm{GN}\) 做细网格消息传递（MeshGraphNet 标准更新规则，先更新边再聚合到节点）；（ii）Downsampling 块 \(\mathrm{DN}\) 把细图压成 \(n_s=0.5n\) 的粗图；（iii）Upsampling 块 \(\mathrm{UP}\) 用 KNN 把粗图特征插值回细图，与细层特征融合后再过若干 GraphNet 块。整体形成 \(\mathcal{G}\to\tilde{\mathcal{G}}\to\mathcal{G}_c\to\tilde{\mathcal{G}}\) 的 U-Net 式调度，粗层负责扩大有效感受野、传播全局信息。

关键 twist 在 \(\mathrm{DN}\) 内部：它不是按几何选节点，而是借用主 Decoder \(\phi_{\mathrm{dec}}\) 临时把当前隐特征解码成物理量，算出每个节点的"动量守恒残差"\(\bm{r}_i^t\)，再按 \(s_i^t=\|\bm{r}_i^t\|_2\) 排序 TopK。

关键设计¶

基于动量守恒残差的节点物理打分：
- 功能：给每个节点算一个标量得分 \(s_i^t\)，刻画"该节点附近预测出的物理场对动量守恒方程的违背程度"，作为节点重要性的 a posteriori 指标。
- 核心思路：先用主 Decoder \(\hat{\bm{u}}^t=\phi_{\mathrm{dec}}(\tilde{\mathcal{G}})\) 把当前隐图解码到物理空间（这一步是"借用"，不参与最终预测），用预测场 \(\hat{\bm{u}}^t\) 算应力 \(\hat{\bm{\sigma}}^t\)；瞬态情形下残差为 \(\bm{r}_i^t=\rho_i\ddot{\hat{\bm{u}}}_i^t-(\nabla_h\cdot\hat{\bm{\sigma}}^t)_i-\rho_i\mathbf{b}_i^t\)，准静态情形丢掉惯性项变为平衡残差 \(\bm{r}_i^t=-(\nabla_h\cdot\hat{\bm{\sigma}}^t)_i-\rho_i\mathbf{b}_i^t\)；散度 \(\nabla_h\cdot\) 用固定的 mesh-based 离散算子重构，得分取 \(s_i^t=\|\bm{r}_i^t\|_2\)。残差每个时刻自回归重算一次。
- 设计动机：FEM 里残差大的地方就是物理上"算不准/动得猛"的地方，把这个准则平移到 GNN 粗化，等价于让多重网格层级自动捕捉应力集中、接触界面、边界过渡这些"哪怕几何上稀疏但物理上关键"的区域；而且这是个无监督信号，不需要额外标签。一个值得注意的工程选择是复用主 Decoder 来算物理量（而不是独立训一个 scoring decoder），消融显示独立 decoder 反而掉点，说明共享 decoder 强迫主分支学到"物理上自洽"的表征。
TopK 物理引导节点选择 + KNN 重网格化：
- 功能：把得分向量 \(\bm{s}\in\mathbb{R}^n\) 转成 \(n_s\) 个粗节点的下标集合 \(\mathcal{V}_c\)，并重建粗图边集 \(\mathcal{E}_c\)。
- 核心思路：节点选择有两种 —— 确定性 TopK \(\mathcal{I}=\mathrm{TopK}(\bm{s}^t,n_s)\)（保留得分最高的 \(n_s\) 个），或者按 \(p_i=s_i/\sum_j s_j\) 做 categorical 采样的概率式选择。边集构建也有两种 —— 继承细网格的诱导子图 \(\mathcal{E}_c=\{(i,j)\in\mathcal{E}\mid i,j\in\mathcal{V}_c\}\)，或在被选节点上用欧氏 KNN 重新拉一张图（"remeshing"）。实验最佳组合是 TopK + remeshing：TopK 比概率采样在 rollout RMSE 上从 \(13.1\times 10^{-3}\) 一路降到 \(6.5\times 10^{-3}\)，remeshing 比继承连通性更稳定。
- 设计动机：TopK 在物理引导下比随机采样更激进，所有粗层算力都给最关键的几个区域；KNN 重网格化避免了"残差大的节点恰好被原始边断开"的拓扑碎片化，对长程信息传播至关重要——这点和 BSMS（拓扑 bi-stride 池化）形成鲜明对比，BSMS 一定要保连通性，但作者发现纯按物理选+重连反而更好。
Encoder-Processor-Decoder + KNN 上采样融合：
- 功能：把粗图处理后的全局信息送回细图，同时保留细层局部精度。
- 核心思路：粗层经过若干 GraphNet 块得到 \(\tilde{\mathcal{G}}_c^{n_s\times h}\) 后，用 \(k\)-NN（在物理空间欧氏距离意义下）把每个细节点的特征插值成它最近 \(k\) 个粗节点特征的加权和，再和细层原始特征拼接/融合，最后再过若干细层 GraphNet 块做局部精修。时间推进采用残差式 \(\bm{u}^{t+1}=\bm{u}^t+\Phi_\theta(\bm{u}^t,\mathcal{G})\)，对应经典数值积分格式，对长时 rollout 稳定性帮助很大。
- 设计动机：传统单尺度 GNN 受限于消息传递的 \(k\)-hop 半径，捕捉不到全局耦合；多重网格的粗层一跳跨越远距离，但只有粗层是不够的（会丢失局部应力梯度）。Encoder-Processor-Decoder + 残差时间步是 MeshGraphNet 沿用下来的成熟设计，本文的新颖度全压在 Processor 内部的"物理引导粗化"上，证明换粗化策略就能在不改主干的情况下打过 7 个强 baseline。

损失函数 / 训练策略¶

直接监督下一步状态预测，逐节点 MSE 损失。AdamW 优化器，所有 baseline 训 30 个 epoch（约 \(10^6\) 步）、同一 protocol，每个配置跑 3-5 个 seed 取均值；所有多重网格模型固定粗化比例为 50%（粗图节点数 = 细图的一半），controlling for capacity，把变量隔离到"粗化策略"本身。NVIDIA A100。

实验关键数据¶

主实验：DeformingPlate 上对比 7 个 SOTA¶

方法	Rollout RMSE (\(\times 10^{-3}\)) ↓	1-step RMSE (\(\times 10^{-3}\)) ↓	#Params ↓
MeshGraphNets	12.75	0.10	2.8M
BSMS-GNN	16.60	0.15	2.1M
Transolver++	29.80	1.00	722K
Transformer GNN	24.97	1.20	3.5M
Multi-Scale GNN	15.7	0.10	3.1M
HCMT	12.97	0.14	2.53M
UNISOMA	11.46	0.16	2.85M
Ours (Physics-informed Multigrid)	6.50	0.095	2.9M

Rollout 误差直接对半砍（从 UNISOMA 的 11.46 → 6.50，提升约 43%），1-step 误差也是全场最低；参数量持平，没有靠加参数取胜。

消融实验：多重网格架构下不同采样策略对比¶

采样策略	Rollout RMSE (\(\times 10^{-3}\)) ↓	1-step RMSE (\(\times 10^{-5}\)) ↓
BSMS（拓扑 bi-stride）	16.60	15
FPS（无 remeshing）	15.0	10.31
Attention-based	8.1	17.10
FPS（带 remeshing）	8.0	9.74
Physics-informed + 概率采样	13.1	11.32
Physics-informed + TopK（Ours）	6.5	9.57

跨数据集泛化（Table 4，与 MGN/FPS 对比）：BeamSimple 上 Rollout \(1.44\times 10^{-1}\)（vs MGN 1.72, FPS 1.56）；SpindleUpsetting 上 1-step \(11.24\times 10^{-3}\)（vs MGN 11.92, FPS 11.66），rollout 略输 FPS（2.96 vs 2.60），说明残差式打分在塑性+接触的极端 regime 里没有压倒性优势但仍 competitive。粗层宽度消融（Table 5）：\(h_c=128\) vs \(h_c=256\)，加宽反而掉点（6.59→15.72×10⁻³），说明粗层 capacity 已经够，瓶颈在选谁、不在多大。

关键发现¶

粗化策略 > 架构容量：同样主干下，把 FPS 换成 physics-informed TopK 就把 rollout 误差从 8.0 降到 6.5；而 MeshGraphNet 在没有多重网格的情况下达到 12.75，说明"分层"和"选谁"两件事是叠加增益。
TopK 显著胜过概率采样（13.1 → 6.5）：在 50% 这种高粗化率下，随机性引入的方差损害大于探索的收益。
决策器复用很重要：用独立 decoder 算物理打分会掉点，共享 decoder 强迫表征同时支持"预测下一步"和"算残差"，反而促进物理自洽。
打分应该包含边界/接触节点：消融显示"all nodes scoring"稳胜"only normal nodes"，因为反作用力和约束节点本身就携带很强的物理信号。
加粗层宽度无效：\(h_c=256\) 比 128 反而更差，提示在 mesh-based 模型上盲目加 capacity 不如改采样准则。

亮点与洞察¶

把经典 FEM 的 residual-based adaptive refinement 平移到 GNN 多重网格的粗化：这个 analogy 既给了方法可解释性（"残差大的地方=物理活动剧烈"），也直接复用了几十年的数值分析直觉。在"用 ML 替代数值方法"的浪潮里这种"借经典数值方法的设计哲学回来指导 ML 架构"的范式特别值得关注。
得分函数零额外参数：物理残差完全由主 Decoder 输出 + 固定离散散度算子算出，不引入新的可学习模块，却带来巨大的归纳偏置。
Decoder 共享是一个有用的 trick：让同一个 decoder 同时承担"最终输出"和"中间打分"两个任务，自然地把"物理一致性"作为辅助正则注入主分支——这个 idea 可以迁移到任何需要"中间监督信号"但又不想增加参数的场景。
TopK + KNN 重网格化的组合：放弃保连通性、用 KNN 重新连边，反而比保连通性好，提示在多重网格 GNN 里"拓扑保真度"可能没"语义相关性"重要。

局限与展望¶

作者承认：残差打分对"复杂材料、扭曲网格、富接触场景"非常 nontrivial——需要离散散度重构和访问有物理意义的场，本质上"把经典数值方法的零件搬了一部分回来"，不再是纯 ML black-box。
在 SpindleUpsetting（重塑性+接触）的 rollout 上反而输给纯 FPS，说明在极端非线性 regime 残差信号本身可能噪声很大；这暴露了"用主 Decoder 解码物理量"的脆弱性——如果主预测不准，残差也不准，可能引发恶性循环。
只在 50% 这一个固定粗化率下评测，没看不同压缩率下的曲线；多层级嵌套（粗-更粗-超粗）也没有研究。
改进方向：把残差打分与梯度向量场结合（不只看模长还看方向）；自适应粗化率（动力学剧烈时多保点）；和 PINN 损失结合，让残差既用来打分也用来正则化预测。