可学习的物理引擎图网络用于推理和控制
本研究提出一种方法,通过对图形网络施加物理学相关的归纳偏差来学习可解释的表示,从而提高零样本泛化能力,并且实验证明我们的图形网络模型可以学习到与真实力量向量相当的消息表示。通过符号回归来拟合我们训练的模型的消息函数的显式代数方程,并恢复牛顿引力定律的符号形式,这一方法也适用于任何由图形网络学习的未知交互定律,提供了一种从深度学习中隐含的知识中解释和推断明确因果理论的有价值的技术。
Sep, 2019
本文介绍了交互网络模型,它能够推断复杂系统中物体之间相互作用的方式,支持对系统动态预测,以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理,并可以推理多种具有挑战性的物理领域。 报告结果表明,它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹,估计能量等抽象量,自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的,可学习的物理引擎,是处理各种复杂真实世界领域中物体和关系的强大的通用框架。
Dec, 2016
本研究训练了图神经网络以适应来自非线性动力系统的时间序列,发现了学习表示和模型组件的简单解释,并成功地确定了 ' 图翻译器 ',使两种新类型广义:仅基于时间序列观测来恢复新系统实例的潜在结构,或者直接从该结构构造新网络。结果表明,理解复杂系统的动态和结构及其如何用于泛化的途径。
Feb, 2022
本文介绍了一种基于图神经网络的强大新方法,用于学习生成模型的过程中捕获图的结构和属性。实验证明,相较于不使用图结构表示的基线,我们的模型常常表现更好,是学习任意图的生成模型的第一个最通用的方法,为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。
Mar, 2018
本研究提出了一种基于图神经网络的模拟器框架,通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象,模型从单一粒子预测到测试时的数千个粒子,并且能够处理不同的初始条件和数万个时间步骤,具有较强的可靠性与预测能力。
Feb, 2020
本文介绍了一个基于约束的机器学习模拟框架,使用图神经网络实现约束函数,并通过求解优化问题计算未来预测,可应用于多种具有挑战性的物理领域,提供了传统模拟和数值方法的归纳偏差。
Dec, 2021
本文提出了一种名为 Differentiable Physics-informed Graph Networks (DPGN)的新型架构,通过在潜在空间中隐式地告知物理知识,将它纳入神经网络中,以提高气候预测效果,并证实了该模块的有效性以及在归纳学习和多步预测等领域的其他应用。
Feb, 2019
本文介绍了 PropNet—— 一种可学习的动力学模型,能够在部分可观测场景下进行模型控制,并实现信号的即时传播。实验结果表明,与其他学习物理引擎相比,PropNet 的前向模拟性能更好,在各种控制任务中也表现出更高的性能。与现有的模型无深度强化学习算法相比,使用 Propagation Networks 实现模型控制更准确、有效,且更具普适性。
Sep, 2018
利用物理学基础知识作为先验知识,通过将物理学基础知识注入到神经网络结构中,从轨迹数据中学习动力学模型,并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束,实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。
Sep, 2021