Oct, 2022

使用子等变图神经网络学习物理动力学

PDF
TL;DR本文提出了一种新颖的基础方法，称为 Subequivariant Graph Neural Network，并解决了在物理动力学中如何将物理定律所包含的对称性协同模型设计以及模型如何处理物理世界中不同形状、尺寸和属性的物体等问题。该模型在 8 个场景的 Physion 数据集中，平均接触预测准确率有超过 3％的提高，在 RigidFall 数据集中有 2 倍的低回滚均方误差，并展现出强大的泛化能力和数据效率。
发现论文，激发创造
  • 对等图神经网络在物理动力学学习中松弛连续约束

    本文提出了一种基于离散等变的图神经网络（DEGNN），通过将几何特征转化为排列不变嵌入，实现相应离散点群的等变消息传递，从而提高对未观测到的对称动力学的表示能力和泛化性能。在各种物理动力学中，DEGNN 相较于现有的方法具有显著的优越性，并可以以较少的数据进行学习，并且可以跨领域进行泛化，如未观测到的方向。

    Jun, 2024

  • 等变性并非你所需之一：揭示等变图神经网络在粒子物理任务中的实用性

    将诱导偏差引入机器学习模型是机器学习研究的一个活动领域，特别是当机器学习模型被应用于关于物理世界的数据时。本文从相关的等变网络的文献中汲取灵感，通过使用真实世界的粒子物理重建任务作为评估测试平台，全面评价了等变图神经网络的提议的好处。我们证明了许多通常与等变网络相关联的理论优点在实际系统中可能不成立，并介绍了未来研究的有吸引力的方向，这将有利于机器学习的科学理论和物理应用。

    Nov, 2023

  • 带约束条件的等变图机械网络

    机器学习中，关于多个交互对象的关系和动态推理是一个具有挑战性的话题，我们提出了一种基于广义坐标的 Graph Mechanics Network (GMN) 方法，来隐式地表达在受限制系统中的几何约束，并在模拟系统和现实世界中进行的广泛实验证明了 GMN 相对于最先进的 GNN 在预测精度、约束满足性以及数据效率方面的优势。

    Mar, 2022

  • 利用图网络学习模拟复杂物理现象

    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

  • 物理编码图神经网络用于接触下形变预测

    机器人学中，通过物理编码的图神经网络，建模刚性网格与可变形网格间的动力学关系，以精确理解接触过程中的物体变形，推动机器人模拟与抓取研究的进展。

    Feb, 2024

  • 量子启发式的几何建模的神经网络

    通过创造物理系统的 3D 多体点云，我们提出了一种新型的基于等变矩阵乘积态 (MPS) 的消息传递策略，有效地建模复杂的多体关系并捕捉了几何图中的对称性，超越了现有的几何图神经网络的平均场近似，并在预测经典牛顿系统和量子张量哈密顿矩阵等基准任务上验证了其卓越的准确性，堪称参数化几何张量网络的创新应用。

    Jan, 2024

  • 近似等变图网络

    图神经网络 (GNNs) 和欧几里德卷积神经网络 (CNNs) 的等变性对称性不同，本篇论文侧重于探讨 GNNs 的主动对称性，通过对信号在固定图上的支持进行学习，将近似对称性形式化为图粗化，提出了一个偏差 - 方差公式来量化损失表达性与学习估计的规则性之间的权衡，实验证明，选择比图自同构群大但小于全排列群的适当大的群可以达到最佳泛化性能。

    Aug, 2023

  • 液体流动建模中等变和不变对称性的重要性

    本研究建立了多尺度同变 GNN 模型用于预测流体流动情况，并研究了同变和不变表示方法对模型预测的影响，结果表明使用不变量可以更准确地预测长期流体流动情况且这些不变量可以通过数据驱动编码器学习。

    May, 2023

  • 基于粒子的流体力学问题的 E ($3$) 等变图神经网络

    采用等变图神经网络比其非等变神经网络在动态交互模型中能够更准确地学习流体力学系统的运动，并发现等变模型可以对湍流流量进行粗粒化建模和参数推广。

    Mar, 2023

  • 不变量和等变量的经典与量子图神经网络比较

    机器学习算法、图神经网络、量子计算、等变图神经网络和二元分类任务是本文的关键词和研究主题。

    Nov, 2023