EAGLE

通过模拟和集成数值模型来解决纳维尔-斯托克斯方程，经典地估计流体动力学，即使在高端硬件上也需要大量计算和时间。这是一个众所周知的难题，最近通过机器学习，特别是图神经网络（GNN）和在静态场景中的静态对象数据集上训练和评估的变体来解决。我们试图超越现有的复杂性，并引入一种新的模型、方法和基准。我们提出了EAGLE，这是一个大规模的数据集，包含了110万个2D网格，这些网格是通过模拟非稳定流体动力学引起的，该流体动力学是由移动流源与非线性场景结构相互作用而产生的，总共包含了600个不同类型的场景。为了在具有挑战性的EAGLE数据集上进行压力和速度的未来预测，我们引入了一种新的网格变换器。它利用节点聚类、图池化和全局注意力来学习空间上相距较远的数据点之间的长程依赖关系，而无需大量迭代，这与现有的GNN方法不同。我们展示了我们的变换器在现有的合成和真实数据集以及EAGLE上的表现优于现有技术水平。最后，我们强调了我们的方法学会关注气流，将复杂信息整合到一个迭代中

搜集汇总

背景与挑战

背景概述

EAGLE是一个大规模流体动力学数据集，包含110万个2D网格，模拟移动流源与非线性场景的相互作用，覆盖600个不同场景。它旨在通过机器学习方法，如新型网格变换器，高效预测流体压力和速度，以解决传统计算的高成本问题，由NAVER LABS Europe和索邦大学于2023年发布。