TRACE：将接触历史存入边记忆的图网络模拟器，长时程颗粒态预测误差最高降62%
新模型在2D和3D柱体坍塌基准上，最终堆积形态误差较GNS和NMGNS降低58%–89%，且比材料点法快8.9–12.2倍。
AI解读：颗粒材料（如沙土、粉末）的力学行为高度依赖颗粒之间接触的形成、断裂和重组的历史，但现有图网络模拟器大多把时间信息存在节点特征或节点级记忆里，难以捕捉这种持续变化的接触过程。TRACE把交互历史直接存在接触边的持久记忆中，用注意力消息传递和门控循环单元更新记忆，并通过边身份字典在接触关系变化时保留这些记忆，从而让模型理解“过去谁和谁怎么接触过”。它解决了颗粒坍塌这类长时程预测中常见的误差累积和颗粒互相穿透问题，在2D和3D柱体坍塌基准上，最终堆积形态误差较两种基线模型降低58%–89%，同时参数更少且几乎无相互穿透。相比高保真参考求解器材料点法，TRACE在2D和3D下分别提速12.2倍和8.9倍，使其更适合需要大量模拟的工程场景，如地基沉降或滑坡分析。不过，目前评估仅限于柱体坍塌这一基准，代码虽公开，但实际工程应用中的复杂摩擦和颗粒形状仍需进一步验证，相关领域的研究者或工程师可考虑复现和扩展测试，普通读者无需立即行动。
9月2日提交至arXiv的论文提出TRACE，一种将颗粒间交互历史直接存储于接触边的图网络模拟器，用于颗粒动力学长时程预测。在2D和3D颗粒柱体坍塌基准上，相比图网络模拟器（GNS）和节点记忆图神经模拟器（NMGNS），TRACE将长时程位置误差降低31%–62%，最终堆积形态误差降低58%–89%，同时使用更少参数且保持近零颗粒相互穿透。
论文作者包括Changjian Zhou（据提交历史来自墨尔本大学）、Negin Yousefpour、Jie Qi、Junfeng Fang、Guillermo A. Narsilio和Hans Petter Jostad。研究基于arXiv上的摘要和论文标题，尚未经同行评审，代码已在论文中提供的链接公开。