通过 Mesh–GENERIC 相容性实现图神经模拟器中的网格可容许状态更新

基于摘要分析。本文研究离散物理域上的图神经模拟器（GNSs）：轨迹预测准确并不足以保证学习到的状态更新在物理上可容许。作者提出 Mesh-GENERIC Compatibility（MGC），考察 GENERIC 的可逆—耗散代数约束如何与指定网格状态空间的度量、可容许方向及边界端口相容，并通过 MAGNS 实现相应构造。 核心机制是给出一个构造性充分条件，使每个可容许的神经网络读出均满足斜伴随性、半正定性以及能量—熵退化条件，且这些代数性质不依赖训练过程。MAGNS 采用神经动力学组装，将学习得到的本构量和算子量映射到符合 MGC 的算子族，再进行数值积分。摘要中的保证针对所构造的算子结构，不能据此直接推断任意积分器或步长下的离散轨迹都保持相同性质。 作者报告，在长时程声学 rollout 评估中，MAGNS 的中位数 rollout 精度与最强结构化基线相当，平均 rollout MSE 相对降低 6.3%，且共同坐标图下的能量差距更小；摘要未给出基线名称、时程长度和具体误差值。作者还报告，在 Darcy 干预中，固定神经网络权重而改变声明的 Hodge 空间，可以控制调和环流，其余通量分量的误差几乎不变。受控干预覆盖数值积分、边界交换、算子组装及 Hodge 空间可容许性。 阅读或复现时需核对 MGC 的数学假设、网格与边界条件、可容许读出的定义，以及积分后的结构保持程度。实验协议、数据划分、消融及统计信息尚未验证，代码与复现配置也尚未验证。本文主要研究对象是物理系统的网格动力学模拟；材料未提供 EEG 或 BCI 验证，不能将其物理结构保证直接视为神经信号建模收益。