计算物理学中非结构化网格数据建模的机器学习综述

本文综述了机器学习在计算物理中处理非结构化网格数据的应用。非结构化网格数据在复杂几何形状和动力学建模中至关重要，但其不规则性给传统机器学习技术带来了挑战。文章回顾了图神经网络、Transformer模型、插值集成方法以及无网格技术等先进ML方法，这些方法在流体动力学和环境模拟等领域已被证明有效。综述还讨论了生成模型、强化学习用于网格生成以及混合物理数据驱动范式等新兴方向，旨在激发这一领域的未来进展。文章从背景、研究目的和结论三个角度进行了总结，强调了机器学习方法如何克服传统数值技术的局限性，并为计算物理和ML研究人员提供了指导手册。