用图网络学习符号物理
机器学习
2019-11-04 v2 天体物理仪器与方法
计算物理
机器学习
摘要
我们引入一种对图网络施加物理动机归纳偏置的方法，以学习可解释的表示并改进零样本泛化。我们的实验表明，实现该归纳偏置的图网络模型在基于 n 体引力和弹簧状模拟训练时，能够学习到等价于真实力矢量的消息表示。我们使用符号回归对我们训练模型的消息函数拟合显式代数方程，并在无先验知识的情况下恢复了牛顿引力定律的符号形式。我们还表明，我们的模型在推理时对多于训练时所遇体数的系统具有更好的泛化能力。我们的方法原则上可扩展到图网络学习的任意未知相互作用定律，并为从深度学习捕获的隐式知识中解释和推断关于世界的显式因果理论提供了有价值的技术。
引用
@article{arxiv.1909.05862,
title = {Learning Symbolic Physics with Graph Networks},
author = {Miles D. Cranmer and Rui Xu and Peter Battaglia and Shirley Ho},
journal= {arXiv preprint arXiv:1909.05862},
year = {2019}
}
备注
6 pages; references added + improvements to writing and clarity; accepted for an oral presentation at Machine Learning and the Physical Sciences Workshop @ NeurIPS 2019