Neues Graph Neural Network stabilisiert Diffusion auf unregelmäßigen Netzen

In der numerischen Simulation von partiellen Differentialgleichungen (PDEs) sind klassische Verfahren wie Crank‑Nicolson auf regelmäßigen Gittern sehr effizient. Auf unregelmäßigen Meshes – die in vielen multiphysikalischen Anwendungen wie Diffusion, Materialschäden oder Heilungsprozessen vorkommen – geraten diese Methoden jedoch häufig in Instabilität.

Um dieses Problem zu lösen, hat ein Forschungsteam ein neues, operator‑konsistentes Graph Neural Network (OCGNN‑PINN) entwickelt. Das Modell kombiniert die klassische Nachrichtenaustausch‑Logik von Graphen mit einer physikinformierten Verlustfunktion, die die Beziehung zwischen Gradient und Divergenz über die Graph‑Incidenzmatrix erzwingt. Dadurch bleiben die diskreten Knoten‑ und Kantendynamiken während der zeitlichen Ausrollung strukturell gekoppelt.

Die Leistung des OCGNN‑PINN wurde an Diffusionsprozessen auf physikalisch veränderten Meshes sowie an realen, gescannten Oberflächen getestet. Die Ergebnisse zeigen eine deutlich verbesserte zeitliche Stabilität und höhere Vorhersagegenauigkeit im Vergleich zu herkömmlichen Graph‑Convolution‑Netzwerken und Mehrschicht‑Perzeptronen. In vielen Fällen nähert sich die Genauigkeit sogar der klassischen Crank‑Nicolson‑Solver auf unstrukturierten Domänen an.

Diese Fortschritte eröffnen neue Möglichkeiten für die Simulation komplexer physikalischer Phänomene auf unregelmäßigen Netzen und könnten die Grundlage für robustere Multiphysik‑Modelle in Forschung und Industrie bilden.