图神经网络代理模型的可解释后验误差指示
机器学习
2024-10-25 v4 计算物理
流体动力学
摘要
近年来，随着图神经网络（GNNs）的出现，数据驱动代理建模能力激增，GNNs 可直接作用于基于网格的数据表示。本工作的目标是为 GNNs 引入一种可解释性增强流程，应用于基于非结构网格的流体动力学建模。给定一个黑盒基线 GNN 模型，最终得到一个可解释 GNN 模型，它隔离了物理空间中与子图对应的、与预测任务本质相关的区域，同时保留基线的预测能力。这些由可解释 GNNs 识别的结构在前向传播中自适应生成，并作为基线模型架构、优化目标和已知特定问题物理之间的可解释联系。此外，通过正则化流程，可解释 GNNs 还可在推理期间识别对应于大部分预期预测误差的图节点，为基线模型增添一种新颖的可解释误差标记能力。演示使用源自高雷诺数下后向台阶绕流的非结构流场数据，并展示了针对斜坡和壁面安装立方体构型的几何外推。
引用
@article{arxiv.2311.07548,
title = {Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models},
author = {Shivam Barwey and Hojin Kim and Romit Maulik},
journal= {arXiv preprint arXiv:2311.07548},
year = {2024}
}