基于守恒律的图学习用于时空动力学预测
机器学习
2025-01-07 v3 人工智能
摘要
数据主导的方法在理解和预测时空动力学方面显示出巨大的潜力，使我们能够更好地设计和控制对象系统。然而，深度学习模型往往缺乏可解释性，无法遵循内在物理规律，难以应对各种领域。虽然基于几何的方法，例如图神经网络(GNN)，被提出来进一步解决这些挑战，但它们仍需要从大数据集中寻找隐式物理规律，过度依赖丰富的标记数据。在本文中，我们引入了守恒信息图神经网络(CiGNN)，这是一种端到端的可解释学习框架，基于有限的训练数据学习时空动力学。该网络设计为遵循一般守恒律，通过对称性，其中保守和非保守信息通过多尺度空间传递，这通过一种潜在的时间行军策略得到增强。我们的方法在各种基于合成和真实世界数据集的时空系统中得到了验证，显示优于基准模型的性能。结果表明，CiGNN在准确性和通用性方面表现突出，并且可以轻松应用于学习预测具有复杂几何的空间域内各种时空动力学。
引用
@article{arxiv.2412.20962,
title = {Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction},
author = {Yuan Mi and Pu Ren and Hongteng Xu and Hongsheng Liu and Zidong Wang and Yike Guo and Ji-Rong Wen and Hao Sun and Yang Liu},
journal= {arXiv preprint arXiv:2412.20962},
year = {2025}
}