基于层次嵌入自编码器带预测器的层次化架构，用于学习复杂多尺度物理系统的长期演化
人工智能
2025-05-27 v1 等离子体物理
摘要
我们提出了一种新颖的高效架构，用于学习复杂多尺度物理系统的长期演化，其基于尺度分离的思想。各种尺度的结构在系统中动态涌现，并仅在局部范围内相互作用。相似尺度的结构在相互接触时可直接相互作用，或作为更大尺度结构的一部分时通过间接方式相互作用。这使得对多尺度系统进行高效建模成为可能，而无需建模彼此远离的小尺度特征之间的相互作用。层次化完全卷积自编码器将物理系统的状态不仅转化为单个嵌入层（如常规做法），还转化为一系列嵌入层，这些嵌入层在保持相应分辨率水平的同时编码各种尺度的结构。浅层层在更细的网格上嵌入更小的结构，而更深的层在更粗的网格上嵌入更大的结构。预测器同步推进所有嵌入层。通过组合卷积算子来建模不同尺度特征之间的相互作用。我们将本模型的性能与常规 ResNet 架构变体进行比较，应用于哈塞亚-瓦卡塔尼湍流。实验结果表明，该模型在该系统的关键统计特征的长期预测准确性实现了显著提升。
引用
@article{arxiv.2505.18857,
title = {Hierarchical-embedding autoencoder with a predictor (HEAP) as efficient architecture for learning long-term evolution of complex multi-scale physical systems},
author = {Alexander Khrabry and Edward Startsev and Andrew Powis and Igor Kaganovich},
journal= {arXiv preprint arXiv:2505.18857},
year = {2025}
}