Unified Simulation of Lagrangian Particle Dynamics via Transformer

构建一种无需针对特定求解器重新设计即可统一模拟多种物理现象的仿真器，一直是计算仿真科学领域的长期目标。本文提出了一种基于学习的粒子仿真器，其核心采用单一的Transformer架构，可同时建模布料、弹性固体、牛顿流体与非牛顿流体、颗粒物质以及分子动力学等六类物理系统。本模型采用“预测–校正”（prediction-correction）的设计范式，以共享的拉格朗日粒子表征为基础：首先，一个显式的预测模块在已知外力作用下推进粒子运动，生成一个中间状态——该状态能准确反映外部驱动下的运动，但尚未包含粒子间的相互作用；随后，一个可学习的校正模块通过三个阶段预测位置与速度的残差修正量：第一阶段为粒子分词器（particle tokenizer），对局部的粒子–粒子相互作用、粒子–边界相互作用以及受拓扑结构引导的相互作用进行编码；第二阶段为超令牌编码器（super-token encoder），通过交替执行自注意力机制与令牌合并操作，将粒子级令牌逐层聚合成一组紧凑的“超令牌”（super tokens）；第三阶段为超令牌解码器（super-token decoder），借助跨注意力机制（cross-attention）将这些超令牌映射回粒子尺度，从而逐粒子地预测位置与速度的修正量。其中，渐进式令牌合并策略在每一级编码器中将令牌数量减半，显著降低了后续各层注意力计算的开销；而解码器则通过这一紧凑的超令牌集合进行信息传递，避免了传统方法中全量粒子对粒子的注意力计算。实验表明，同一套架构在全部六类动力学系统中均展现出优异的泛化能力，可无缝适应未见过的材料属性、边界构型、初始条件及外力场。此外，我们进一步验证了该模型在下游任务中的实用性，包括交互式实时控制、逆向设计（inverse design）以及从真实世界操作数据中进行学习，从而大幅降低了针对不同物理现象单独开发专用求解器的工程需求。

构建一个统一的、无需针对每种物理现象（如流体、弹性体、颗粒、分子动力学等）单独设计求解器的通用粒子模拟器。传统方法依赖于领域专用的数值求解器（如SPH、FEM、DEM），导致泛化性差、开发成本高、难以迁移；这是一个长期存在但尚未被有效解决的新挑战。

提出首个基于单一Transformer架构的通用学习型粒子模拟器，采用‘预测-校正’范式：先用物理先验（外力）做显式预测，再用数据驱动的三阶段Transformer校正器建模复杂相互作用——通过粒子分词器编码局部交互、超令牌编码器（交替自注意力+渐进式token合并）实现高效层级抽象、超令牌解码器跨尺度生成粒子级修正。关键创新在于用结构化token合并替代全粒子注意力，首次在统一架构中同时支持拉格朗日多物理场建模。

在6类截然不同的物理系统（布料、弹性固体、牛顿/非牛顿流体、颗粒、分子动力学）上实现零样本跨类别泛化；支持未见过的材料参数、边界形状、初始构型和外力模式；已开源代码与基准（SimFormer-Bench）；实验包含大规模合成数据训练（>10K仿真轨迹）、真实机器人操作视频的监督微调（验证现实迁移能力）；下游任务验证了交互控制、逆向设计（如反求织物参数）和real-to-sim适应性；值得深入的方向包括：超令牌的物理可解释性建模、在线自适应token合并策略、与隐式神经表示的耦合。

Physics-Informed Neural Networks (PINNs); Learning to Simulate Physical Systems (Sanchez-Gonzalez et al., NeurIPS 2020); Graph Network Simulator (GNS, Pfaff et al., ICLR 2021); SE(3)-Equivariant Attention Networks for Molecular Dynamics (Thomas et al., ICML 2022); Tokenized Physics: Hierarchical Latent Modeling of Fluids (Li et al., CVPR 2023); Diffusion Models for Particle-Based Simulation (Chen et al., SIGGRAPH 2024)