面向多变量时间序列的基于键图的多物理信息神经网络

在混合人工智能技术的趋势中，物理信息机器学习（Physical-Informed Machine Learning）正在获得越来越多的关注。该方法主要通过引入数据、学习或架构偏置、仿真数据、偏微分方程或等变性和不变性属性来实现。虽然在涉及单一物理领域（如流体动力学）的任务上取得了很大成功，但现有方法不适用于涉及复杂多物理和多领域现象的任务。此外，这些方法主要形式化为端到端学习方案。为此，我们提出利用键图（Bond Graphs，一种多物理建模方法）结合消息传递图神经网络。我们提出一种神经键图编码器（Neural Bond graph Encoder, NBgE），产生可输入到任何任务特定模型中的多物理信息表示。这提供了一种统一的方式来整合数据和架构偏置。我们在两个具有挑战性的多域物理系统——直流电机和呼吸系统——上的实验表明，该方法在多变量时间序列预测任务中有效。