用于可解释科学机器学习多尺度图神经网络自编码器
机器学习
2023-02-20 v3 流体动力学
摘要
本工作的目标是解决基于自编码器模型的两种局限：潜空间可解释性与对非结构网格的兼容性。本文通过开发一种新颖的图神经网络（GNN）自编码架构并在复杂流体流动应用上演示来实现这一目标。为解决可解释性这一首要目标，GNN自编码器通过自适应图约简过程在编码阶段实现节点数缩减。该约简过程本质上相当于流场条件化节点采样与传感器识别，并以所谓掩码场的形式生成针对流场重建任务的可解释潜图表示。这些掩码场使用户能够（a）可视化给定潜图在物理空间中的活跃位置，以及（b）依据域内非定常流动特征（例如回流区、剪切层）的时间演化来解释潜图连接关系的时间演化。为解决非结构网格兼容性目标，该自编码架构采用一系列多尺度消息传递（MMP）层，每一层在不同长度尺度上建模节点邻域间的信息交换。MMP层以可学习的粗化操作增强标准单尺度消息传递，使解码器能够更高效地从掩码场中识别的区域重建流场。利用基于OpenFOAM的流求解器在高雷诺数下后向台阶（BFS）流动构型的大涡模拟所得非结构快照数据，对自编码器在各种模型设置下生成的潜图进行分析。
引用
@article{arxiv.2302.06186,
title = {Multiscale Graph Neural Network Autoencoders for Interpretable Scientific Machine Learning},
author = {Shivam Barwey and Varun Shankar and Venkatasubramanian Viswanathan and Romit Maulik},
journal= {arXiv preprint arXiv:2302.06186},
year = {2023}
}
备注
30 pages, 17 figures. Correction: Fixed authorship