用于路径相关物理场生成建模的一步流匹配

由于需要巨大的计算成本，使用路径相关本构模型对复杂几何形状进行物理模拟面临着困难。最近，生成式人工智能模型的出现在图像和视频合成任务中取得了成功，为进一步改进模拟提供了希望。尽管基于 U-Net 的去噪扩散概率模型 (DDPM) 已被用于弹性应力场生成，但它们通常需要数百个采样步骤，并将生成模型应用于路径相关的模型，例如塑料的应力场仍然非常有限。在这项工作中，我们提出了一种基于 Transformer 主干的新型流动匹配（FM）模型，用于具有随机加载-卸载路径和几何形状的高分辨率路径相关应力场生成。所提出的模型在变分自动编码器（VAE）的潜在空间内运行，并将塑性场的模拟制定为视频合成任务，直接生成所有时间步长的应力场。同时，我们设计了一种用于流量匹配的非高斯源分布，以便在训练过程中减少条件传输路径之间的交叉。这使得我们的模型能够一步生成满意的样本，而无需依赖 蒸馏。此外，我们引入了 词元级 加载嵌入和两个辅助网络，以进一步增强模型在路径相关仿真中的性能。结果表明，即使训练数据集有限，我们的模型也可以准确生成高分辨率的路径相关字段。它的计算效率比有限元分析高得多，在 CPU 上比 FEM 提速 6 到 7 倍，在消费级 GPU 上提速大约两个数量级。