May, 2023

使用图神经常微分方程实现复杂动态物理系统模拟

PDF
TL;DR本文提出了一种新颖的基于学习的模拟模型 - GNSTODE，以特征化通过统一的端到端框架来描述耦合粒子系统中的空间和时间依赖关系。通过对真实世界中的粒子相互作用观察进行训练，GNSTODE 能够精确地模拟任何可能的粒子系统。评估结果表明，所提出的 GNSTODE 比最先进的基于学习的模拟方法产生更好的模拟结果，并且可以作为处理实际应用中物理模拟问题的有效解决方案。
deep learning modelslearning based simulationgraph networks with spatial-temporal neural ordinary equations (gnstode)particle systemsreal-world application
发现论文，激发创造
  • 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

  • 受物理启发的神经图 ODE 用于长期动态仿真

    通过使用物理启发的神经图常微分方程算法（Physics-Inspired Neural Graph ODE），我们提出了一种更好地建模离散监督信号下潜在轨迹的方法，同时利用基于 GNN 的模型以插拔的方式对神经图常微分方程进行参数化，实验证明我们的模型在长期预测和演化误差方面相较于现有方法有数量级的提升。

    Aug, 2023

  • 基于注意力机制的时空图神经 ODE 用于交通预测

    本文提出一种基于 GNN 和 ODE 的交通预测模型（ASTGODE），在真实数据上表现良好，具有可解释性，并实现了最高的预测准确度。

    May, 2023

  • 面向交通流预测的时空图 ODE 网络

    本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

    Jun, 2021

  • 推广图 ODE 以跨环境学习复杂系统动力学

    通过学习多智能体系统动力学，我们提出了 GG-ODE（广义图形常微分方程）机器学习框架，使用神经常微分方程（ODE）通过图神经网络（GNN）捕捉智能体之间的连续交互，并假设不同环境下的动力学都受到相同物理定律的支配。通过实验证明，我们的模型可以准确预测系统动力学，尤其在长期范围内，并能够很好地推广到观测数据稀缺的新系统。

    Jul, 2023

  • 基于图结构的多元素 ODE 神经网络用于时空交通预测

    本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

    May, 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

  • 使用神经控制微分方程学习动态图嵌入

    研究动态图的表示学习，提出了 Graph Neural Controlled Differential Equation (GN-CDE) 模型，通过深度神经网络参量化向量场和交互导数，对节点嵌入轨迹的动态演化进行建模，实现了在动态演化的图上表达动态的能力。

    Feb, 2023

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • Newton-Cotes 图神经网络：关于动态系统时间演化的研究

    本篇研究提出了一种新的预测集成技术来应用于基于图神经网络的科学研究中，该技术基于牛顿 - 科茨公式的几个速度估计，并在多个基准测试中取得了显著改进。

    May, 2023