Newton-Cotes 图神经网络：关于动力系统的时间演化
机器学习
2023-10-23 v3 计算工程、金融与科学
摘要
推理系统动力学是许多科学研究中最重要的分析方法之一。以系统的初始状态作为输入，近期基于图神经网络（GNNs）的方法能够高精度地预测遥远未来的状态。尽管这些方法在建模系统坐标与相互作用力方面设计各异，我们指出它们实际上共享一种共同范式，即学习初末坐标区间内速度对时间的积分。然而，它们的被积函数关于时间是常数。受此观察启发，我们提出一种基于若干速度估计与 Newton-Cotes 公式来预测该积分的新方法，并从理论上证明其有效性。在多个基准上的大量实验实证表明，与最先进的方法相比，该方法取得了一致且显著的改进。
引用
@article{arxiv.2305.14642,
title = {Newton-Cotes Graph Neural Networks: On the Time Evolution of Dynamic Systems},
author = {Lingbing Guo and Weiqing Wang and Zhuo Chen and Ningyu Zhang and Zequn Sun and Yixuan Lai and Qiang Zhang and Huajun Chen},
journal= {arXiv preprint arXiv:2305.14642},
year = {2023}
}
备注
NeurIPS 2023 (spotlight)