非線性有限元碰撞仿真在汽車和航空航天等行業的耐撞性設計中至關重要，但其高計算成本限制了在迭代設計優化中的使用。基於圖神經網絡（GNN）的機器學習代理模型提供了更快的替代方案，其中消息傳遞GNN因其共享的節點和邊更新函數而具備跨不同網格拓撲的泛化能力。然而，為了更準確地捕捉非線性關係，一些架構採用了非共享的邊緣特定聚合層，但這通常需要固定的圖連接，從而犧牲了泛化性。
該論文的作者Haoran Li等人提出了Mask-Morph Graph U-Net（MMGUNet），這是一種新穎的方法，旨在解決使用邊緣特定下采樣和上採樣層的分層圖U-Net架構的限制。MMGUNet的核心思想是在保持固定粗圖連接的同時，通過特徵對齊的重心參數化將粗化圖層次變形到每個輸入網格，從而改善空間對應。隨後，該方法在監督預訓練階段應用節點掩蔽，並通過凍結高參數邊緣特定層進行參數高效微調。
實驗評估在分佈內、分佈外和跨組件遷移三種設置下進行，使用平均歐氏距離和最大侵入百分比誤差作為指標。結果表明，與固定粗圖基線相比，粗圖變形顯著提高了測試準確率。掩蔽監督預訓練減少了訓練集與測試集之間的差異，並在遷移過程中提高了數據效率。此外，MMGUNet在預測誤差上優於多個外部基線，展示了其在耐撞性設計探索中建立可重用、數據高效的網格代理模型的實用途徑。
該研究為工程領域提供了一種新的工具，使得在大型幾何變形下快速預測碰撞行為成為可能，有望加速汽車安全結構的設計優化。論文共48頁，包含15張圖表，計劃投稿至期刊。預處理方法和模型架構的代碼預計將開源，以促進進一步的研究和應用。