May, 2024

学习图上的粗粒度动力学

PDF
TL;DR我们考虑使用图神经网络（GNN）非马尔科夫建模框架来识别图上的粗粒化动力系统。我们的主要思路是通过检查莫里 - 茨旺齐记忆项的主导项如何依赖编码图拓扑的粗粒化相互作用系数，系统地确定 GNN 的体系结构。基于这个分析，我们发现适当的 GNN 体系结构需要至少进行 2K 步的消息传递（MP）机制，以考虑 K - 跳动力学相互作用。我们还推断出，在相互作用强度以跳距离的幂律衰减的假设下，准确的闭包模型所需的记忆长度会随着相互作用强度的减小而减小。针对两个例子，异质库拉莫特振荡器模型和电力系统，我们进行了支持性的数值演示，表明所提出的 GNN 体系结构能够预测固定和时变图拓扑下的粗粒化动力学。
graph neural networkcoarse-grained dynamical systemsmori-zwanzig memory termmessage passing mechanisminteraction strength
发现论文，激发创造
  • 用图神经网络进行粗粒化分子动力学模拟

    通过引入混合架构来学习分子动力学中的粗粒化力场，以便于能够将粗粒化力场转移到分子系统之间，从而进一步加速模拟的过程。

    Jul, 2020

  • 从连续动力学到图神经网络：神经扩散与更多

    图神经网络（GNNs）在建模关系型数据方面表现出显著的潜力，并被广泛应用于各个领域。图神经网络的关键机制是所谓的消息传递，其中信息从邻域迭代地聚合到中心节点。将消息传递过程类比为热扩散动力学可以从根本上理解 GNNs 的优势和局限，并进而指导模型设计。最近，出现了大量使用连续动态学的 GNNs 的作品，旨在解决 GNNs 已知的局限性，如过度平滑和过度压缩。在这项调查中，我们首次系统全面地审查了使用连续动态学视角的研究。为此，我们介绍了适应 GNNs 的连续动态学的基本要素，以及对图神经动力学设计的一般框架。然后，我们根据它们的驱动机制和基础动力学对现有作品进行了回顾和分类。我们还总结了如何在连续框架下解决经典 GNNs 的局限性。最后，我们确定了多个开放的研究方向。

    Oct, 2023

  • 分级消息传递图神经网络

    提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

    Sep, 2020

  • 动态图消息传递网络

    为了更好地理解计算机视觉中的场景，我们提出了使用动态图消息传递网络来建模长程依赖关系，以超越本领域现有作品的效果。

    Aug, 2019

  • 用图神经网络的粗粒化力场中的热力学可传递性

    通过使用图卷积神经网络 (HIP-NN-TS) 构建粗粒化力场的高度自动化训练流程，我们展示了机器学习技术在改进可转移粗粒化力场构建方面的潜力。这种方法不仅能够产生高精度的力场，而且在多种热力学条件下具有更好的转移性。

    Jun, 2024

  • 动态图神经网络调查

    图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

    Apr, 2024

  • 使用图神经网络学习复杂系统的动力学和结构

    本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了 ' 图翻译器 '，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。

    Feb, 2022

  • 从节点相互作用到跳跃相互作用：新的有效和可扩展的图学习范例

    本篇研究提出了一种新的跳数交互范式 ——Hop Interaction paradigm 来同时解决 Graph Neural Networks 在可扩展性，平滑性方面的限制，并设计了 HopGNN 框架来优化模型效率和性能，最终实验结果表明该模型在广泛的数据集上表现卓越。

    Nov, 2022

  • 合作图神经网络

    图神经网络是基于迭代计算的节点表示的图机器学习流行架构之一；本文提出了一个新的框架，用于训练图神经网络，其中每个节点可以选择自己的策略，从而更灵活地探索图拓扑结构并进行学习。

    Oct, 2023

  • 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