摘要

近年来，许多基于网格的图神经网络（GNN）模型被提出用于建模复杂的高维物理系统。这些模型在显著减少求解时间方面取得了显著成就，与传统的数值求解器相比具有明显优势。这些方法通常旨在：i) 降低求解物理动力学的计算成本；和/ii) 提出技术以提高流体和刚体动力学的求解精度。然而，它们在解决柔性体动力学挑战方面的有效性尚未得到充分探索，尤其是在瞬时碰撞发生在极短时间内的情况下。本文中，我们提出了分层接触网格变换器（Hierarchical Contact Mesh Transformer, HCMT），该模型利用分层网格结构，能够学习身体不同位置之间由于碰撞而产生的长距离依赖关系——在高层次网格中的两个相邻位置对应于低层次网格中的两个远距离位置。HCMT 实现了长距离交互，并且分层网格结构能够快速传播碰撞效应到远处的位置。为此，HCMT 包含了一个接触网格变换器（Contact Mesh Transformer, CMT）和一个分层网格变换器（Hierarchical Mesh Transformer, HMT）。最后，我们提出了一套柔性体动力学数据集，其中包含反映显示行业产品设计中常用实验设置的轨迹。我们还使用知名基准数据集对几种基线方法的性能进行了比较。结果表明，HCMT 在现有方法的基础上提供了显著的性能提升。我们的代码可在 https://github.com/yuyudeep/hcmt 获取。