PDE-GCN: 基于偏微分方程驱动的图神经网络的创新结构

Aug, 2021

PDE-GCN: 基于偏微分方程驱动的图神经网络的创新结构

PDE-GCN: Novel Architectures for Graph Neural Networks Motivated by Partial Differential Equations

Moshe Eliasof, Eldad Haber, Eran Treister

TL;DR本文提出了一类基于偏微分方程数值方法的图神经网络架构来解决传统卷积神经网络可能存在的过度平滑问题，通过实验证明该方法可以处理不同领域的问题并在某些领域获得优于或相当于当前最先进结果。

Abstract

graph neural networks are increasingly becoming the go-to approach in various fields such as computer vision, computational biology and chemistry, where data are naturally explained by graphs. However, unlike traditional convolutional neural networks, deep graph networks do not necessa

graph neural networks over-smoothing phenomenon pde-motivated networks state-of-the-art results manifolds

发现论文，激发创造

以偏微分方程为基础的深度神经网络

该论文通过偏微分方程的理论框架，提出了三种新型的 ResNet 神经网络架构，分别属于抛物线和双曲线类型的 CNN，能够提供深度学习的新算法和思路，并用数值实验证明了它们的竞争力。

Apr, 2018

PDE-CNNs：公理推导及应用

PDE-CNNs, a variant of PDE-based Group Convolutional Neural Networks, offer fewer parameters, better performance, and data efficiency compared to CNNs, while utilizing semifield-valued signals for geometric interpretability.

Mar, 2024

基于图神经网络的翼型设计

本研究在深度学习的基础上，采用图神经网络对二维定常不可压纳维尔 - 斯托克斯方程在不同机翼几何形状下的解进行逼近，同时测试模型表现在体积和表面量如壁面剪切应力或等压力等的逼近性能，并推导出机翼的提升力和阻力等全局系数进行设计探索。

May, 2023

图神经网络的一阶偏微分方程：平流和 Burgers 方程模型

新的图神经网络模型利用两个一阶偏微分方程（PDEs）在不增加复杂度的情况下有效缓解了过度平滑问题，并在最多 64 层中取得与高阶 PDE 模型可比较的结果，突显了图神经网络的适应性和多功能性。

Apr, 2024

偏微分方程与深度神经网络的结合：综述

本文对深度神经网络用于偏微分方程 (PDEs) 求解的现状和潜在应用进行了综述，分析和分类了相关方法在科学研究和工程场景中的应用，介绍了这一领域的来源、历史、特点、类型以及未来趋势。

Oct, 2022

参数化偏微分方程的多极图神经算子

通过构建多级图神经网络框架，解决基于深度学习的物理系统模拟和偏微分方程求解中数据格式与神经网络所需结构不匹配所带来的挑战，提出一种对于 GNN 和多分辨率矩阵核分解统一的方法，该方法可以处理所有范围的相互作用并具有线性复杂度。实验证明，这种多图网络可以学习离散化不变的 PDE 解算符并可以在线性时间内进行评估。

Jun, 2020

基于 PDE 的群等变卷积神经网络

本研究提出了一种基于偏微分方程的框架，该框架可以将几何意义上的 PDE 系数作为网络层的可训练权重，从而在同一设计中具有内置的旋转和转化等几何对称性，并通过实验证明了该框架可以在深度学习图像应用中显著提高性能.

Jan, 2020

基于物理信息的图卷积网络：面向复杂几何结构的通用框架

通过结合经典数值解法和物理感知框架的方法，本研究在三维非规则几何体上测试了基于图神经网络的解决偏微分方程问题的可行性。

Oct, 2023

基于多层卷积神经网络的参数化偏微分方程求解

该论文提出了一种将多层求解器和基于神经网络的深度学习方法相结合的新方法，用于解决高维参数的偏微分方程数值解问题，并在理论和实验方面都得到了验证。

Apr, 2023

使用物理感知神经网络解决反问题偏微分方程

本文提出了一种新型的混合反向问题复合框架，将深度神经网络的高表现力与现有偏微分方程数值算法相结合，通过语义自编码器的自定义层，将计算数学、机器学习和模式识别技术融合在一起，实现了域特定知识和物理约束的综合应用，解决了大量数据中的未知字段这个问题，称之为混合反向 PDE 网络 (BiPDE 网络)，并在一维和二维空间中的泊松问题中，以及一维的时间依赖和非线性 Burgers 方程中，应用和证明了其可行性和噪声鲁棒性。

Jan, 2020