颗粒流仿真换到粗图上算：HCG-GNN训练快6.47倍，万颗粒2秒释放31秒算完

颗粒流代理模型现在可以在保留逐颗粒运动预测的同时，把大部分关系计算放到更粗的空间单元上完成。 常规颗粒级GNN的每一轮消息传递只沿一条边扩展信息范围，要覆盖更大物理距离就得在整张颗粒图上增加传递步数或扩大邻域，计算与显存开销随之上升。 在斜面颗粒流基准中，7步消息传递有5步在粗图上执行的HCG-GNN，多步预测精度与全部10步都在颗粒图上执行的常规GNN相当，训练快6.47倍，GPU显存占用从40.271 GB降到21.659 GB。

模型先在相邻颗粒之间直接传递信息，再把颗粒特征按占据的网格单元聚合，在两层逐级变粗的图上交换信息，最后把粗尺度特征送回颗粒图。 粗化用均值池化聚合同一单元内的节点，并额外拼接单元占据数的对数，以区分平均特征相近但颗粒数不同的单元；池化时记录的节点到单元对应关系在回传时复用。 训练与对比在NVIDIA H100 GPU、批大小2、500个epoch的相同配置下进行；训练集为9条DEM轨迹，验证集为3条未参与训练的坡角轨迹，测试集为6条轨迹。

演示范围是斜面颗粒流释放到水平床的DEM基准，颗粒为约2 mm中位直径的多分散球体，横向采用周期边界，每条轨迹记录2秒、共100帧；模型在最多5000颗粒的轨迹上训练，并在7500与10000颗粒的系统中测试外推。

流动前沿附近的瞬时加速度波动未被完全复现，预测的自由表面在流动前沿比DEM高约一个中位粒径；动能峰值略高且出现更晚，这些差异集中在运动最剧烈的阶段。三级粗化进一步改善多步预测，但训练时间比两级多50%。