Nat. Mach. Intell. 速递：图神经网络实现三维流体运动中的粒子跟踪

关键词：图神经网络，粒子跟踪，湍流，图最优输运

论文题目：Recurrent graph optimal transport for learning 3D flow motion in particle tracking

论文来源：Nature Machine Intelligence

论文链接：https://www.nature.com/articles/s42256-023-00648-y

流动可视化技术，如粒子跟踪测速，被广泛用于研究自然和工业过程中的三维湍流。尽管三维采集技术不断进步，但由于粒子位移大、粒子分布密集和计算成本高，在粒子跟踪中开发运动估计算法具有挑战性。

这项最新发表于 Nature Machine Intelligence 的文章，提出了一个端到端的解决方案，称为图最优输运（GotFlow3D），从连续的粒子图像中学习三维流体流动。所提出的模型使用图神经网络来提取几何特征，并进一步丰富粒子的表示。提取的深层特征随后被用来对应连续帧之间的粒子，然后用递归神经网络方法迭代更新流动运动。

通过对数值实验的评估和对真实世界实验的验证，与最近开发的场景流学习器和粒子跟踪算法相比，GotFlow3D 实现了最先进的性能。该方法的高准确性、稳健性和泛化能力可以为许多物理和生物系统的复杂动力学提供更深的洞察力。

图1. 用于从粒子集合学习流动的 GotFlow3D 框架

图2. FluidFlow3D-norm 数据集中的流量估计性能

图3. GotFlow3D 应用于 CylinderFlow 和 DeformationFlow 数据集的粒子跟踪测速

---

编译｜刘志航

图神经网络与组合优化读书会

详情请见：

推荐阅读

点击“阅读原文”，报名读书会