学習された適応メッシュ生成

Elliptic偏微分方程式 (PDE) は、物理的な問題（熱、重力、電電など）の均衡条件を計算するにあたり、中核的要素となっています。楕円型 PDE の効率的な解決もコンピュータグラフィックスでも重要であり、この方法では、ローカルコントロールが存在する全体的な一貫性が得られます。これは安定した性質と良好な状態を生成します。ピオウン方程式の場合、線形の楕円型 PDE は新しい提案されたソリューションを見据えたポテンシャルな候補です。任意の 3D ドメインにおいて、たとえばトルーバルの葉の不整合から収束を計算するには、効率的に解決するのは計算に時間がかかり、解釈の粒度が二乗で増加します。研究と業界では一般的なフィンガーエLEMENT メソッド(FEM)のバリアントを利用していますが、マルコーニカル (MC) 方法でのキー的な利点を特定しました。私たちの主観線思想は、ピオウン方程式に適応してから適度なメッシュの生成することへの有効性（FEMや MC 使用）を特注的に拡張することです。それにより、軽量で一般的化されているニューラルネットワークが形状の違いと境界条件が行われます。我々は標準的な手法を使用し、サイズフィールドが尊重されるテトラヘッドメッシュを作成します。そして解の適用を適応メッシュを利用してシミュレーションを生成可能です。つまり、脳全体は計算的に面倒な方法よりも複数（イテレティブ）のFEM 解決を必要とする方針に対し、代替モデルとしてニューラルネットワークを提供します。我々は機能性、制御可能性、堅牢性と効率性を通じて LAMG の多様性、コントロール能力、生産性に焦点を当けることで、その機能性を証明します。

arXiv:2505.20457v2 Announce Type: replace Abstract: Elliptic Partial Differential Equations (PDEs) play a central role in computing the equilibrium conditions of physical problems (heat, gravitation, electrostatics, etc.). Efficient solutions to elliptic PDEs are also relevant to computer graphics since they encode global smoothness with local control leading to stable, well-behaved solutions. The Poisson equation is a linear elliptic PDE that serves as a prototypical candidate to assess newly-proposed solvers. Solving the Poisson equation on an arbitrary 3D domain, say a 3D scan of a turbine's blade, is computationally expensive and scales quadratically with discretization. Traditional workflows in research and industry exploit variants of the finite element method (FEM), but some key benefits of using Monte Carlo (MC) methods have been identified. Our key idea is to exploit a sparse and approximate solution (via FEM or MC) to the Poisson equation towards inferring an adaptive discretization in one shot. We achieve this by training a lightweight neural network that generalizes across shapes and boundary conditions. Our algorithm, Learned Adaptive Mesh Generation (LAMG), maps from a coarse solution to a sizing field that defines a local (adaptive) spatial resolution. This output space, rather than directly predicting a high-resolution solution, is a unique aspect of our approach. We use standard methods to generate tetrahedral meshes that respect the sizing field, and obtain the solution via one FEM computation on the adaptive mesh. That is, our neural network serves as a surrogate model of a computationally expensive method that requires multiple (iterative) FEM solves. We demonstrate the versatility, controllability, robustness and efficiency of LAMG via systematic experimentation.