能量守恒的等变图神经网络用于格子构造一致性弹性材料
通过使用图神经网络作为替代模型,我们开发了一种基于机器学习的方法来准确快速地模拟软、多孔的机械变形材料以调节其机械性能,并通过预测全局物理量和模式变换来处理不同的微观结构。
Apr, 2024
本文提出了一种基于数据驱动的方法,使用 SE (3) 等变图神经网络高效预测晶体结构的弹性性质,该方法能较准确地预测重要弹性模量和变形能密度以及相应的弹性常数,并提供可解释预测的有意义的潜在特征。
Jun, 2023
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
利用图神经网络模型原子图结构,并研究结构与相应的局部能垒之间的关系,以改善金属玻璃材料物理性质的预测,并应用图解释算法揭示金属玻璃材料的结构 - 性质关系。
Dec, 2023
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。
Oct, 2022
本文介绍了一种新的模型来学习具有等变性的图神经网络,称为 EGNN,此方法不需要在中间层中计算昂贵的高阶表示,同时具有竞争力或更好的性能,在 3 维空间等变性上具有比现有方法更大的伸缩性,并在动态系统建模,图自编码器中的表征学习和预测分子性质方面证明了其有效性。
Feb, 2021
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
本文提出了一个理论框架,可以比较图神经网络架构的表达能力,证明了实用 GNN 的第一近似保证,FGNN 被证明是最具表现力的架构之一,在 Quadratic Assignment Problem 中的应用表明 FGNN 能够比现有的基于谱、SDP 或其他 GNN 架构的算法表现得更好。
Jun, 2020