论文简介：在虚拟制造中，随着设计复杂度的提高，仿真过程中涉及到的大规模三维非结构化网格数据处理变得愈加复杂。传统的数值计算方法在处理这些高维数据时，面临计算成本过高的问题，现有的算法往往难以满足实时计算和精确预测的需求。为了应对这一挑战，团队提出了一种高效的图神经网络与Transformer算子模型相结合的方法，专门针对大规模的三维复杂几何数据进行优化。该方法通过图神经网络提取局部几何特征，同时利用Transformer的全局关联捕捉能力来提升整个模型的仿真精度。通过这一组合，模型能够在处理大规模三维网格数据时，保持较低的计算复杂度，并且提升仿真精度。在工业级的两个汽车数据集上验证所提方法性能。结果表明，相较于当前最优方法，新模型在表面压力预测和阻力系数估算等关键空气动力学指标上，精度分别提升了 7.36% 和 10.71%。同时，其参数量仅为后者的1%，且浮点运算次数（FLOPs）更少，实现了精度与效率的显著提升。