基于时间连贯性的动态物理场景渲染加速技术研究

20251126

科学研究和技术服务业

本技术“高精度神经网络积分器”是一种用于解决强奇异边界积分计算难题的通用计算模块，目前已具备良好的转化基础。我们已开发出完整、可运行的核心代码原型，核心算法已通过严格的数值实验与消融实验验证，在处理强奇异积分核时，在同等计算时间下，我们的方法相较传统数值积分方法可实现1到2个数量级的精度提升，并在多个边界积分应用场景（如拉普拉斯方程求解、双层位势计算）中成功进行了测试，最大误差与平均误差均显著低于传统方法，有效抑制了离群误差，展现出优异的鲁棒性，证明了其技术可行性。

我们期待与工业软件企业开展合作，尤其是专注于CAE（计算机辅助工程）、计算机图形学物理仿真或科学计算软件的公司，以及大型制造业企业的研发部门：如从事高端装备设计、自动驾驶模拟、计算电磁学等领域，内部有高精度仿真计算需求的企业。

可国（境）内外转让

本技术可广泛应用于高保真计算声学/电磁学、工业无损检测等多个高附加值领域，通过在更短的计算时间内取得更高精度的结果，从而显著降低仿真计算的时间成本与硬件投入成本，市场前景广阔，为解决长期制约科学计算与物理模拟精度的共性瓶颈问题提供了全新路径，有望推动相关工业软件行业的技术升级。此外，我们的技术是机器学习与科学计算深度融合的典范，其成功转化将有力推动“AI for Science”范式在更多基础科学和工程领域的落地应用。

北京市自然科学基金本科生“启研”计划

北京市科学技术委员会;中关村科技园区管理委员会

边界积分方程在计算机图形学领域应用广泛，涵盖渲染、物理模拟与几何处理等多个方向。然而，受限于计算效率，现有方法多采用低阶数值积分计算边界积分，在面对强奇异积分核时往往误差较大，制约了求解精度。为此，我们创新地提出了一种神经网络积分器，能够在三角网格面元上实现高精度、高效率的边界积分计算，且能够方便地集成到实际的应用场景中。 我们的技术原理在于使用高效的网络设计以及训练策略，使得我们的数值积分器能够达到较高的精度。具体包括： （1）针对积分核奇异性导致的输出高度非线性问题，我们设计了输出标准化流程，引入一个易于解析求解的上界，使得网络只需预测一个较为平滑的比值，从而简化学习目标； （2）为解决输入无界性引起的泛化能力下降，我们对输入坐标进行参数化，提升网络对关键几何信息的获取能力； （3）在网络结构方面，我们采用一种混合专家（MoE）网络结构，集成由两个专家网络分别处理的两套参数化方案，最终通过加权融合输出结果，增强模型对不同积分情形的适应能力； （4）在训练数据构造方面，我们针对各专家网络设计差异化的数据分布，保证各自的性能，并使用自适应积分来精确计算标准结果。 实验表明我们的方法能够对于特定的强奇异性积分核，在同等计算时间内，较传统的数值积分方法有一到两个数量级的精度提升，在大量的边界积分应用场景中展现出显著优势。我们提出的技术直接将神经网络作为一种高精度计算模块嵌入科学计算流程，能无缝集成于现有模拟管线，不仅为边界积分及相关物理系统的数值求解提供了新思路，也为机器学习与数值模拟的深度融合探索了可行路径。