基于物理启发的时空图神经网络用于预测工业链韧性
机器学习
2025-08-26 v1 人工智能
计算工程、金融与科学
摘要
工业链在国家经济可持续发展中发挥着日益重要的作用。然而，作为典型的复杂网络，数据驱动的深度学习在描述和分析复杂网络的韧性方面仍处于初级阶段，其核心在于缺乏描述系统动力学的理论框架。本文提出了一种基于物理信息的神经符号方法，用于描述复杂网络的演化动力学，以实现韧性预测。核心思想是学习物理实体活动状态的动力学，并将其整合到多层时空共演化网络中，并使用物理信息方法实现物理符号动力学与时空共演化拓扑的联合学习，从而预测工业链的韧性。实验结果表明，该模型能够获得更好的结果，更准确、更有效地预测工业链的弹性，这对工业的发展具有一定的实际意义。
引用
@article{arxiv.2508.16836,
title = {Physics-Inspired Spatial Temporal Graph Neural Networks for Predicting Industrial Chain Resilience},
author = {Bicheng Wang and Junping Wang and Yibo Xue},
journal= {arXiv preprint arXiv:2508.16836},
year = {2025}
}