非線形有限要素衝突シミュレーションは高い精度を持つが、計算コストが大きく、反復的な設計最適化での使用が制限されている。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は共有ノード・エッジ更新関数により様々なグラフ構造間で比較的汎化可能であるが、非共有のエッジ固有集約層は非線形関係をより正確に捉えられるものの、固定グラフ接続性を必要とし汎化性を制限する。
本論文では、エッジ固有のダウンサンプリング・アップサンプリング層を使用する階層的グラフU-Netアーキテクチャの制限に対処する実用的アプローチ、Mask-Morph Graph U-Net (MMGUNet) を提案する。MMGUNetの主な革新は、特徴に合わせた重心パラメータ化により粗化グラフ階層を各入力メッシュに変形し、その後クロスグラフエッジを構築することである。これにより固定粗グラフ接続性を維持しつつ、空間対応を改善する。さらに、教師付き事前学習中にノードマスキングを適用し、その後高パラメータのエッジ固有層を凍結してパラメータ効率的な微調整を行う。
提案手法は、分布内、分布外、およびコンポーネント間転送設定で、平均ユークリッド距離と最大侵入率誤差を用いて評価された。結果は、粗グラフ変形により固定粗グラフベースラインと比較してテスト精度が向上することを示す。マスク教師付き事前学習は訓練-テストの不一致を減少させ、転送時のデータ効率を改善する。提案モデルは外部ベースラインと比較しても低い予測誤差を達成し、衝突安全性設計探索のための再利用可能でデータ効率的なメッシュベースサロゲートモデリングへの実用的な道筋を示している。
この研究は、大規模な幾何学的変形下での衝突挙動の迅速な予測を可能にし、自動車安全構造の設計最適化を加速することが期待される。論文は48ページ、15の図表を含み、ジャーナル投稿予定である。著者らはコードを公開する計画であり、さらなる研究と応用が促進されるであろう。