في مجال الديناميكا الحسابية للسوائل ، يتم تطبيق أساليب تنعيم الشبكة عادةً لتحسين جودة الشبكة ، لتحقيق محاكاة رقمية دقيقة. ومن بينها ، تُستخدم أساليب التنعيم الأساسية لتنعيم الشبكة عالية الجودة ، لكن تكلفتها الحسابية تكون مرتفعة نسبيًا. حاولت بعض الأبحاث الرائدة اعتماد أساليب التعلم الإشرافي من عينات الشبكة عالية الجودة ، لتحسين كفاءة التنعيم. ومع ذلك ، تعاني هذه الطريقة من بعض القيود ، مثل صعوبة التعامل مع مشكلة العقدة ذات الدرجات المختلفة ، وتتطلب تعزيز البيانات لحل مشكلة ترتيب عقدة الشبكة. بالإضافة إلى ذلك ، تقيد الاعتماد على بيانات الشبكة عالية الجودة تطبيق هذه الطريقة. من أجل حل هذه المشكلات ، يقترح هذا المقال نموذج شبكي عصبي خفيف الوزن GMSNet ، لتحقيق تنعيم الشبكة الذكي. يستخدم GMSNet الشبكات العصبية الرسومية لاستخراج سمات الأقرباء للعقدة ويخرج الموقع الأمثل للعقدة. أثناء عملية التنعيم ، يقدم هذا المقال أيضًا آلية تسامح لمنع GMSNet من إنتاج عناصر سالبة الحجم. من خلال تركيبة النموذج الخفيف الوزن ، يمكن لـ GMSNet تنعيم عقد الشبكة ذات الدرجات المختلفة بفعالية ، وهو غير متأثر بترتيب البيانات المدخلة. بالإضافة إلى ذلك ، يقدم هذا المقال أيضًا دالة خسارة جديدة MetricLoss ، مصممة للتخلص من الاعتماد على بيانات الشبكة عالية الجودة ، وتعزيز الاستقرار والتقارب السريع للتدريب. تقارن هذه الورقة بين GMSNet وأساليب التنعيم الشبكية الشائعة على شبكة غير منظمة ثنائية الأبعاد. تظهر نتائج التجارب أن GMSNet ، بالمقارنة مع النماذج السابقة ، فإنه بالإمكان أن يحقق أداء تنعيم الشبكة الممتازة فقط باحتياج 5% من معلماتها ، ويكون سرعة التنعيم هو 13.56 مرة لأساليب التنعيم الأساسية.

الشبكة غير المنظمة ؛ تنعيم الشبكة ؛ الشبكات العصبية الرسومية ؛ أساليب التنعيم الأساسية