APPSolver: Adaptive Patch Partitioning for Point-Wise Ship Flow Prediction on Unstructured Meshes¶

会议: NeurIPS 2026
arXiv: 2608.29355
OpenReview: https://openreview.net/forum?id=slRT3ex527
代码: https://github.com/wenhuahuo/APPSolver
领域: 物理/科学计算
关键词: 物理代理模型, 船舶水动力学, 非结构化网格, 四叉树自适应剖分, 神经算子

一句话总结¶

针对船舶 CFD 非结构化网格点集规模大且严重非均匀导致注意力主干计算代价高昂的问题，APPSolver 提出基于四叉树与船体距离先验的确定性自适应 Patch 剖分（APP）与降采样机制，在保持极低前向开销（1.3 ms / 1.8 GFLOPs）的同时实现全参考点集的高效点级流场预测。

研究背景与动机¶

船舶水动力学中的高保真度流场数值模拟对于船型优化、阻力预报与航行安全评估具有核心价值，然而基于雷诺平均纳维-斯托克斯（RANS）方程的非定常 CFD 求解计算成本极高，在面对复杂多变的船型几何与航行工况时难以支持快速迭代。近年来，基于深度学习的流场代理模型迅速兴起，但船舶航行流场数据呈现出极其显著的非均匀空间采样特征：为了精确捕获近壁面附面层与船尾兴波湍流，计算网格在船体表面和尾迹区高度加密，而在远场流体区域则急剧稀疏。以往方法要么通过插值将其重采样至规则网格以套用 CNN、ViT 或 FNO，这不仅会破坏原始边界层的局部几何分辨率，还会引入大量无物理意义的远场冗余计算；要么采用如 GNOT、Transolver 或 UPT 等隐式神经算子直接在非结构化点云上通过注意力机制学习连续场映射，但这面临随点数增加而急剧攀升的显存与计算延迟瓶颈。

这种高计算开销与非均匀点集几何结构之间的核心矛盾在于：传统 Transformer 架构缺乏对流体力学空间分布特性的显式归纳偏置，直接在全局非均匀点集上构建自注意力或学习软聚类切片，无法充分利用“近场流场梯度剧烈需要细粒度表征、远场流动平缓仅需粗粒度聚合”的物理先验。如果能设计一种无需复杂可学习聚类、与物理网格空间自适应规律对齐的确定性空间剖分表征，将非结构化点云离散化为规则的 Patch Token 序列并在推理后无损映射回全参考点集，便有望在大幅削减模型前向计算负担的同时保留近壁面高保真流动特征。

本文的核心切入点是抛弃昂贵的全点集软聚类，直接借鉴几何四叉树的层次空间分解思想，将船体几何距离作为确定性先验驱动局部自适应网格细分与空间降采样。核心 idea：提出基于确定性四叉树距离细化的自适应 Patch 剖分（APP）机制，将船体吃水层非均匀点集转化为近密远疏的固定长度 Patch Token，配合轻量级 Transformer 与距离加权 $k$-NN 恢复映射，在牺牲少量预测精度的代价下换取了近一个数量级的推理效率提升。

方法详解¶

整体框架¶

APPSolver 针对船舶吃水深度处的固定二维水平切片展开非定常流场预测。给定时间无关的非均匀二维参考点集 $\mathcal{X}=\{x_i\}_{i=1}^N \subset \mathbb{R}^2$ 以及当前时刻流场物理量 $\mathbf{U}_t \in \mathbb{R}^{N \times 4}$（包含三向速度分量 $u,v,w$ 与静压力 $p_{\text{rgh}}$），系统首先利用 KDTree 建立各时刻点集与首帧参考几何的行列空间对应关系。随后，流水线通过自适应四叉树将点集离散为多尺度 Patch，执行近场优先的均匀降采样以规避远场计算冗余，并将船型主尺度与航行工况统一映射为前缀条件 Token，交由标准 Transformer 进行自注意力特征演化，最后通过距离加权 $k$-NN 恢复映射输出全参考点集的下一时刻流场状态 $\widehat{\mathbf{U}}_{t+1} \in \mathbb{R}^{N \times 4}$。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入数据<br/>非均匀网格点集与4通道流场"] --> B["自适应四叉树剖分<br/>船体距离先验驱动多级空间划分"]
    B --> C["空间降采样与槽位对齐<br/>近场优先保留 + 远场均匀下采样"]
    D["工况参数输入<br/>主尺度/航速/雷诺数"] --> E["条件Token嵌入与拼接<br/>几何与工况映射为前缀特征"]
    C --> E
    E --> F["Transformer主干预测<br/>标准自注意力机制更新Patch表征"]
    F --> G["距离加权k-NN恢复<br/>反插值至原始参考网格点集"]
    G --> H["输出流场预测<br/>下一时刻全量点级物理场"]

关键设计¶

1. 自适应四叉树剖分：以船体距离先验驱动局部空间多级细分 非结构化 CFD 网格点分布极端不均，传统等距网格划分或均匀分块会导致近壁面重要特征被平滑模糊，而远场无用区域产生海量冗余 Token。为此，APP 在二维空间上递归构造四叉树分解。对于空间节点 $v$，若包含的点集 $|\mathcal{P}_v|$ 超过目标容量 $T_v$ 则裂变为 4 个子象限，当子象限中仅有 1 个非空时提前停止以规避边界退化。算法以船长 $L_{\text{ship}}$ 归一化定义两级距离阈值 $r_1 = \tau_1 L_{\text{ship}}$ 与 $r_2 = \tau_2 L_{\text{ship}}$，使得节点目标容量根据其几何中心到船体参考点 $\mathbf{x}_{\text{ref}}$ 的欧氏距离分段收缩： $$S_v^\star = \begin{cases} \max(4, \lfloor S/4 \rfloor), & \|\mathbf{c}_v - \mathbf{x}_{\text{ref}}\|_2 < r_1 \\ \max(4, \lfloor S/2 \rfloor), & r_1 \le \|\mathbf{c}_v - \mathbf{x}_{\text{ref}}\|_2 < r_2 \\ S, & \|\mathbf{c}_v - \mathbf{x}_{\text{ref}}\|_2 \ge r_2 \end{cases}$$ 其中基础容量默认设为 $S=256$。近场区域的目标容量仅为远场的四分之一，强迫四叉树在近壁面更深递归裂变，形成更多紧凑精细的 Patch，而远场则保持大尺度粗粒度聚合。Patch 内各点按 $(x, y)$ 字典序排列以保持确定性。相较于 Transolver 等依赖全局注意力软聚类（soft-slice）的方法，四叉树属于纯几何的确定性规则，计算开销极低且完全符合壁面流动局部物理特性。

2. 空间降采样与槽位对齐：消除远场稠密冗余并统一张量计算边界 四叉树叶子节点包含的点数存在较大动态差异；若直接按最大点数进行零填充补齐，远场粗粒度 Patch 内部包含的大量平缓点集将引发严重的显存冗余与计算空耗。为此，算法引入基于下采样比例 $\rho$（默认 0.6）的控制机制，定义目标保留点数预算 $N_{\text{tar}} = \max(4, \lfloor S\rho \rfloor)$（如 $256 \times 0.6 = 153$）。对于位于近场（距离小于 $r_1$）的精细 Patch，其内部点通常少于预算，算法优先全额保留；对于超出点数预算的非近场 Patch，沿内部字典序点序列实施近似均匀抽取下采样，将其压缩至 $N_{\text{tar}}$ 附近。随后以全局下采样后的最大点数作为统一槽位长度 $N_{\text{slot}}$，引入布尔掩码 $\mathbf{M} \in \{0, 1\}^{P \times N_{\text{slot}}}$ 区分真实采样点与零填充位置。模型输出预测后，采用 $k=4$ 的距离倒数加权近邻插值（distance-weighted $k$-NN）将槽位输出精确重建回原始全量网格点集 $\mathcal{X}$。这不仅规避了投影至规则体素网格的几何失真，又通过确定性降采样压平了非均匀序列的长度方差，为标准 Transformer 提供了整齐划一的批处理张量。

3. 条件 Token 嵌入与拼接：解耦船型几何特征与航行工况先验 不同航行案例涉及迥异的船体线型主尺度、航速、雷诺数与边界条件；若直接将这些标量参数与点集坐标拼接，容易破坏空间物理量的量纲平衡。APPSolver 将输入工况参数拆解为几何描述 $c_{\text{geo}}$（船体主尺度、水线面参数、站号截面型线）与工况描述 $c_{\text{case}}$（航速、雷诺数、流体粘性密度、边界条件）。设计了通用的条件接口：既支持经归一化的数值 MLP、傅里叶特征 MLP，也支持将工况描述文本化后输入冻结的大语言模型（如 Qwen2.5 / Qwen3.5）提取最后一层非填充 Token 表征并线性投影至模型维度 $d_{\text{model}}$，生成条件前缀 Token $e_c$。Patch 内部坐标与物理场通过线性投影加可学习空间位置编码得到 Patch Token $p_i$ 后，将 $e_c$ 作为 Prefix 拼接入序列： $$X_0 = \left[e_c, p_1, p_2, \ldots, p_P\right] \in \mathbb{R}^{(P+1) \times d_{\text{model}}}$$ Transformer 主干仅利用自注意力在全序列交互，解码时仅将 Patch Token 投影回流场维度，条件 Token 不直接产生流场输出。这一设计将外源几何工况与局部流动演化机制解耦，允许在零条件、轻量数值编码与预训练跨模态大模型表征之间灵活切换。

损失函数 / 训练策略¶

训练采用基于有效槽位掩码的点级均方误差损失（Point-wise MSE）： $$\mathcal{L}(\theta) = \frac{1}{|\mathcal{D}|} \sum_{t \in \mathcal{D}} \frac{1}{N} \sum_{i=1}^N \|\widehat{\mathbf{u}}_{i, t+1} - \mathbf{u}_{i, t+1}\|_2^2$$ 在固定切片时间对齐数据集上，以时间先后构建自然的相邻帧对 $(t, t+1)$，划分 80% 训练集与 20% 验证集。使用 Adam 优化器，学习率设为 $10^{-4}$，批大小为 4，总计训练 16,000 个优化步。所有模型参数量严格控制在约 1M 左右以保证公平对比。所有数值在训练集统计分布下计算 Z-score 归一化，并在验证与自回归推演时沿用该统计量。

实验关键数据¶

主实验¶

在 ShipBench 真实 CFD 数据集（涵盖 DTC、KCS、KVLCC2 三种经典船型在 1Re 和 2Re 航速下的非定常流场）上评估归一化空间下的平均绝对误差（MAE）与相对 $L_2$ 误差（Rel. $L_2$）。所有学习型模型均报告在随机种子 42、43、44 下的均值与样本标准差。

模型	DTC MAE	DTC Rel. $L_2$	KCS MAE	KCS Rel. $L_2$	KVLCC2 MAE	KVLCC2 Rel. $L_2$
Persistence (恒等基线)	0.03753	0.21156	0.07707	0.23665	0.03196	1.17916
APP-Transformer (本文)	0.09254 ± 0.00016	0.22406 ± 0.00046	0.12910 ± 0.00125	0.26102 ± 0.00163	0.04600 ± 0.00085	0.96909 ± 0.00881
APP-DPT	0.16703 ± 0.00221	0.32745 ± 0.00240	0.21707 ± 0.00377	0.38297 ± 0.00585	0.05513 ± 0.00107	0.98120 ± 0.00486
Transolver	0.04512 ± 0.00077	0.18113 ± 0.00043	0.08942 ± 0.00154	0.22394 ± 0.00269	0.03507 ± 0.00201	0.93869 ± 0.03573
UPT	0.04405 ± 0.00093	0.18467 ± 0.00074	0.08861 ± 0.00115	0.22546 ± 0.00042	0.03894 ± 0.00320	0.95292 ± 0.00995
PCNO	0.04979 ± 0.00704	0.18025 ± 0.00505	0.08228 ± 0.00093	0.20763 ± 0.00235	0.03759 ± 0.00066	0.91342 ± 0.00117
GNOT	0.14898 ± 0.00111	0.31130 ± 0.00035	0.20378 ± 0.00628	0.37454 ± 0.00730	0.07015 ± 0.00265	0.98318 ± 0.00175
FNO	0.16713 ± 0.00695	0.33198 ± 0.01339	0.23262 ± 0.00154	0.40667 ± 0.00077	0.08187 ± 0.00283	0.95029 ± 0.00270
Fusion-DeepONet	0.12358 ± 0.00262	0.26618 ± 0.00388	0.17695 ± 0.00526	0.32736 ± 0.00744	0.08030 ± 0.00099	0.98879 ± 0.00502

在典型 DTC 算例（$N=26,101$ 点，$P=1,171$ 个 Patch，槽位 153）上，基于单张 NVIDIA RTX A6000（批大小 1，200 次测量中位数）的前向计算开销对比显示，APP-Transformer 具有压倒性的推理延迟优势：

模型	参数量 (M)	FLOPs (G)	GPU 前向延迟 (ms)	相对本文减速比
APP-Transformer (本文)	0.930	1.815	1.309	1.0× (基准)
APP-DPT (本文)	0.939	2.047	2.329	1.8×
PCNO	1.033	1.694	5.241	4.0×
FNO	0.990	7.482	3.785	2.9×
UPT	1.000	18.936	6.112	4.7×
Fusion-DeepONet	0.997	23.598	7.751	5.9×
Transolver	0.989	53.644	24.767	18.9×
GNOT	0.993	52.705	25.131	19.2×

消融实验¶

在保持主干参数量和网络结构完全相同的前提下，对不同空间剖分策略进行消融（归一化 MAE，3 个随机种子均值与标准差）：

剖分策略	DTC MAE	KCS MAE	KVLCC2 MAE	说明与设计验证
Adaptive (自适应四叉树，本文)	0.09254 ± 0.00016	0.12910 ± 0.00125	0.04600 ± 0.00085	完整模型：近场距离细化 + 空间降采样
Uniform (均匀四叉树)	0.12431 ± 0.00152	0.16564 ± 0.00085	0.04890 ± 0.00184	移除船体距离引导，全域固定容量阈值
Uniform + learned (均匀 + 可学习切片)	0.12324 ± 0.00026	0.16086 ± 0.00022	0.05502 ± 0.00046	叠加类似 Transolver 的 32-slice 软切片分配

在条件编码器配置消融（Table 6）中： - 全数据场景（Full ShipBench）下，Zero Conditioning（无条件注入） 取得了最低的 MAE（0.03979），略优于 Numeric MLP（0.04048）和 Qwen3.5（0.04128）。 - 在留一船型评估（Leave-one-hull-out）泛化测试中，Qwen3.5 在 DTC 和 KCS 上相比 Zero 仅带来 3.0% 和 4.5% 的相对改善，且轻量数值 MLP 表现十分接近（如 Leave-out DTC 时 Numeric MLP 为 0.02623，略优于 Qwen 的 0.02609）。而在 KVLCC2 留一实验中，所有模型误差激增至 7.7–8.5，暴露出对极端船型分布外推的失效。

关键发现¶

恒等基线（Persistence）的警示效应：在 0.2s 采样间隔下，流场的时间增量相对微小，导致简单的恒等预测在所有 3 种船型的单步 MAE 上均优于包括 UPT、Transolver 及本文在内的所有深度学习模型；这表明基于绝对状态预测（Absolute Next-state Objective）的目标容易使模型退化为平滑近似，并未真正学到微小的高频演化动力学。
自适应剖分带来确定性收益：在相同 Transformer 架构下，自适应四叉树剖分相比于“均匀剖分 + 软切片”在 DTC、KCS 和 KVLCC2 上分别带来了 24.9%、19.7% 和 16.4% 的显著误差下降，验证了物理几何先验在空间局部压缩中的决定性作用。
算力效率的代际差距：虽然 Transolver 和 UPT 的单步精度更优，但 APP-Transformer 的 GPU 前向耗时仅为 1.309 ms，比 Transolver 快 18.9 倍、比 UPT 快 4.7 倍，显存占用与 FLOPs 均大幅降低。
长时间自回归推演严重发散：在 50 步闭环自回归预测中，APP-Transformer 的误差随时间迅速累积，累积 MAE 达到恒等基线的 3.81×–6.44×，且学习算子无法胜任长期无误差累积的推演。

亮点与洞察¶

将计算网格多尺度物理特性转化为确定性几何树结构：利用四叉树与船体相对距离实现自适应分块，避免了高代价的软聚类注意力，用极轻量的前处理实现了高质量的 Token 尺度自适应。
严谨客观的学术审计态度：论文没有掩饰模型单步 MAE 逊于恒等基线以及长程推演误差漂移的事实，而是清晰将 APPSolver 定位为一个“具有明确精度-效率权衡的紧凑空间表征框架”，展示了扎实的科研诚信。
解耦的工况条件接口设计：将复杂的船型参数与物理工况解耦为通用 Prefix Token，既允许复用冻结大语言模型的语义先验，也支持无缝退化至轻量数值 MLP，具备良好的模块可复用性。

局限与展望¶

绝对下一步预测目标难以建模高频增量：当前直接回归 $t+1$ 时刻绝对物理量，未来需要引入残差预测（Residual / Delta Learning）或动力学感知损失以避免退化为过平滑预测。
仅局限于二维固定截面切片：目前实验仅在吃水线水平切片上验证，尚未拓展至自由液面兴波演化或三维立体体积网格（八叉树拓展尚未实现）。
跨船型极端外推能力脆弱：在 KVLCC2 留一泛化测试中出现严重分布外失效，表明仅凭 3 种船型难以支撑大范围船体几何线型的零样本泛化。
端到端前向耗时不包含外围流程：当前汇报的 1.3 ms 延迟仅涵盖模型 Forward，未包含四叉树构建、CPU-GPU 张量拷贝以及 $k$-NN 空间插值恢复开销。

评分¶

新颖性: ⭐⭐⭐⭐☆ 提出利用船体几何距离先验的确定性四叉树剖分与降采样机制，巧妙化解了非结构化网格在 Transformer 中的高维 Token 瓶颈。
实验充分度: ⭐⭐⭐⭐⭐ 审计严谨细致，如实报告恒等基线优越性、消融了剖分机制与条件编码器、包含自回归推演与精确硬件 Profile。
写作质量: ⭐⭐⭐⭐⭐ 逻辑严密、叙述诚实客观，没有夸大深度学习在单步预测上的全能性，图表规整详实。
价值: ⭐⭐⭐⭐☆ 为大尺度非均匀流场提供了极低前向延迟的结构化表征方案，对工业级 CFD 快速代理建模有很高的工程参考价值。