使用消息传递图神经网络学习时变 PDE 求解器
本论文利用神经信息传递的方法,构建了一种能够解决具有多种性质的偏微分方程数值解的求解器,并提出了一种基于稳定性领域适应的方法,在 1D 和 2D 中验证其在各种流体状况下的快速、稳定和准确性能。
Feb, 2022
“Message Passing Neural PDE Solver” by Brandstetter et al. designs a graph neural network that outperforms both Fourier Neural Operator and classical PDE solvers in generalization capabilities and performance, addressing instability in autoregressive models.
Oct, 2023
我们提出了一种基于神经网络的元学习方法,用于高效解决偏微分方程(PDE)问题。该方法通过元学习来解决各种各样的 PDE 问题,并将这些知识用于解决新的 PDE 问题。我们使用神经网络将 PDE 问题编码成问题表示,其中,控制方程由偏导数的多项式函数的系数表示,边界条件由一组点条件对表示。我们将问题表示作为神经网络的输入来预测解决方案,通过神经网络的前向过程,我们能够高效地预测特定问题的解决方案,而无需更新模型参数。为了训练我们的模型,我们最小化在基于物理知识的神经网络框架中适应 PDE 问题时的预期误差,通过这种方式,即使解决方案未知,我们也能评估误差。我们证明了我们提出的方法在预测 PDE 问题的解决方案方面优于现有方法。
Oct, 2023
本研究使用图神经网络和频谱图卷积设计了两种不同的时间独立偏微分方程的解算符,并使用多种形状和不均匀性的有限元素求解器的模拟数据对网络进行训练,结果发现训练不同的数据集在所有情况下都是实现良好的技术并获得广泛应用的关键。
Jun, 2022
本论文研究了三种基于神经积分算子的多分辨率模式,并使用消息传递图神经网络进行了验证,以解决描述物理现象中的偏微分方程最具挑战性问题之一 —— 在不同尺度下表示物理信号。
Jun, 2022
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
提出了 GraphDeepONet,一种基于 GNN 的自回归模型,能够适应 DeepONet 并有效地学习操作符,具有在不规则网格上预测解以及对时间依赖性 PDE 解进行时间外推的能力。对 GraphDeepONet 的普适逼近能力进行了理论分析。
Feb, 2024
我们提出了一种新颖的图重连接技术,用于解决在大网格上的时态独立的偏微分方程的数据驱动神经 PDE 求解器所面临的一些挑战,如集成不同尺度和不规则网格上的信息。我们在三个数据集上的实验表明,基于 GNN 的方法为不规则网格上的时态独立的偏微分方程设定了新的性能标准。最后,我们展示了我们的图重连接策略提升了基线方法的性能,在其中一个任务中取得了最先进的结果。
Nov, 2023