ICMLMar, 2023

关于图神经网络与经典数值方法在物理系统仿真方面的关系

PDF
TL;DR本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习模型提高效率的潜力。
machine learningphysical systemsgraph neural networksimulation approachesefficiency
发现论文，激发创造
  • 粒子物理中的图神经网络

    介绍了图神经网络在粒子物理学中应用的各种情况，并探讨了它在粒子物理学中的潜在应用。

    Jul, 2020

  • 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

  • 使用图嵌入网络学习基于网格的仿真

    MeshGraphNets 是一种利用图神经网络学习网格化仿真的框架，具有自适应性和高效性，能够应用于广泛的物理系统仿真任务。

    Oct, 2020

  • 物理引导的机器学习在科学探索中的应用：模拟湖水温度剖面

    本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

    Jan, 2020

  • 基于图神经网络的颗粒流代理模型

    该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

    May, 2023

  • 利用机器学习解决物理系统模拟中的计算难题

    本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。

    May, 2023

  • 探索因果学习通过图神经网络：深度综述

    图神经网络 (GNNs) 在因果学习中的应用和发展进行了全面的综述，包括分类和应用等方面，提供了与实际研究相关的数据集，同时探讨了因果学习在不同领域的应用，为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。

    Nov, 2023

  • 粒子模拟的可扩展图网络

    本文提出了一种能够在单个 GPU 上运行高精度大规模 N 粒子动力学模拟的机器学习方法，将完全连接的交互图转换为分层图以减少复杂度和边数。

    Oct, 2020

  • 图机器学习基础的未来方向

    机器学习与图神经网络，尤其是使用图神经网络（GNN）的机器学习，在各个领域的图数据广泛应用中受到了广泛关注。然而，对于 GNN 的性质仍存在理论上的不完备性。最近的理论进展主要集中于阐明 GNN 的粗粒度表达能力，主要使用组合技巧。然而，这些研究与实践并不完全一致，特别是在理解使用随机一阶优化技术训练时 GNN 的泛化行为方面。在本文中，我们将论证图机器学习社区需要将关注点转向发展一个更加平衡的图机器学习理论，重点研究表达能力、泛化和优化的相互作用。

    Feb, 2024

  • 物理资讯神经网络与图形网络的可扩展算法

    本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用，重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。

    May, 2022