Dynami-CAL GraphNet：一种守恒线动量和角动量的物理信息图神经网络用于动力学系统
机器学习
2025-09-24 v2 计算工程、金融与科学
计算物理
摘要
准确、可解释且实时的多体动力学系统建模对于预测自然和工程环境中的行为以及推断物理性质至关重要。传统的基于物理的模型面临可扩展性挑战且计算要求高，而数据驱动方法（如图神经网络）通常缺乏物理一致性、可解释性和泛化能力。在本文中，我们提出Dynami-CAL GraphNet，一种物理信息图神经网络，它将GNN的学习能力与基于物理的归纳偏置相结合，以解决这些局限性。Dynami-CAL GraphNet通过使用对旋转对称性等变、对平移不变、对节点置换等变的边缘局部参考系，强制实现相互作用节点之间的线动量和角动量的成对守恒。这种设计确保了节点动力学的物理一致预测，同时提供了由成对相互作用产生的可解释的边缘线性和角冲量。在具有非弹性碰撞的3D颗粒系统上评估，Dynami-CAL GraphNet在长时间展开中表现出稳定的误差累积，对未见配置的有效外推，以及对异质相互作用和外力的鲁棒处理。Dynami-CAL GraphNet在需要准确、可解释和实时建模复杂多体动力学系统的领域（如机器人学、航空航天工程和材料科学）中具有显著优势。通过提供遵循基本守恒定律的物理一致且可扩展的预测，它能够推断力和力矩，同时有效处理异质相互作用和外力。
引用
@article{arxiv.2501.07373,
title = {Dynami-CAL GraphNet: A Physics-Informed Graph Neural Network Conserving Linear and Angular Momentum for Dynamical Systems},
author = {Vinay Sharma and Olga Fink},
journal= {arXiv preprint arXiv:2501.07373},
year = {2025}
}