用 E($3$)-等变图神经网络学习拉格朗日流体力学
机器学习
2023-05-26 v1 流体动力学
摘要
我们通过证明等变图神经网络有潜力学习比非等变对应模型更准确的动态交互模型，为机器学习用于工程系统这一迅速发展的领域做出贡献。我们对两个充分研究的流动系统，即 3D 衰减 Taylor-Green 涡和 3D 反向 Poiseuille 流进行基准测试，并基于不同性能指标（如动能或 Sinkhorn 距离）评估模型。此外，我们研究了等变模型的物理信息历史的不同嵌入方法。我们发现，尽管目前训练和评估相当缓慢，但采用我们所提历史嵌入的等变模型能学习到更准确的物理交互。
引用
@article{arxiv.2305.15603,
title = {Learning Lagrangian Fluid Mechanics with E($3$)-Equivariant Graph Neural Networks},
author = {Artur P. Toshev and Gianluca Galletti and Johannes Brandstetter and Stefan Adami and Nikolaus A. Adams},
journal= {arXiv preprint arXiv:2305.15603},
year = {2023}
}
备注
GSI'23 6th International Conference on Geometric Science of Information; 10 pages; oral. arXiv admin note: substantial text overlap with arXiv:2304.00150