掩模变形图U-Net：一种通用的基于网格的替代模型，用于大几何变形的耐撞性场预测
本文提出Mask-Morph Graph U-Net (MMGUNet)，一种解决分层图U-Net架构中边缘特定层限制的实用方法。通过在粗化图层次中引入特征对齐的重心参数化，并应用节点掩蔽预训练与参数高效微调，MMGUNet在分布内、分布外及跨组件迁移场景下均表现出更低的预测误差，为可复用、数据高效的网格代理建模提供了新途径。
非线性有限元碰撞仿真在汽车和航空航天等行业的耐撞性设计中至关重要，但其高计算成本限制了在迭代设计优化中的使用。基于图神经网络（GNN）的机器学习代理模型提供了更快的替代方案，其中消息传递GNN因其共享的节点和边更新函数而具备跨不同网格拓扑的泛化能力。然而，为了更准确地捕捉非线性关系，一些架构采用了非共享的边缘特定聚合层，但这通常需要固定的图连接，从而牺牲了泛化性。
该论文的作者Haoran Li等人提出了Mask-Morph Graph U-Net（MMGUNet），这是一种新颖的方法，旨在解决使用边缘特定下采样和上采样层的分层图U-Net架构的限制。MMGUNet的核心思想是在保持固定粗图连接的同时，通过特征对齐的重心参数化将粗化图层次变形到每个输入网格，从而改善空间对应。随后，该方法在监督预训练阶段应用节点掩蔽，并通过冻结高参数边缘特定层进行参数高效微调。
实验评估在分布内、分布外和跨组件迁移三种设置下进行，使用平均欧氏距离和最大侵入百分比误差作为指标。结果表明，与固定粗图基线相比，粗图变形显著提高了测试准确率。掩蔽监督预训练减少了训练集与测试集之间的差异，并在迁移过程中提高了数据效率。此外，MMGUNet在预测误差上优于多个外部基线，展示了其在耐撞性设计探索中建立可重用、数据高效的网格代理模型的实用途径。
该研究为工程领域提供了一种新的工具，使得在大型几何变形下快速预测碰撞行为成为可能，有望加速汽车安全结构的设计优化。论文共48页，包含15张图表，计划投稿至期刊。预处理方法和模型架构的代码预计将开源，以促进进一步的研究和应用。