May, 2024

使用等变晶格神经网络提升流体动力学中的晶格动力方案

PDF
TL;DR我们提出了一种新的等变神经网络类，即栅格等变神经网络（LENNs），旨在满足栅格结构的局部对称性。
equivariant neural networkslattice-equivariant neural networks (lenns)local symmetriesgroup representation theorylattice boltzmann cfd
发现论文，激发创造
  • 旋转对称神经网络用于漫游磁体自旋动力学模拟

    本论文提出了一种新颖的等变神经网络体系结构，用于 Kondo 晶格模型的大规模自旋动力学模拟，并应用于二维正方形和三角形晶格上的模型。该网络确保平移和自旋旋转等同，并且可以准确复现磁性相变，通过训练模型优于使用不变描述符的模型，并证明其在三角晶格中晶体天鹅石的自旋晶体相变也得到准确复现。

    May, 2023

  • 具有融合图的群同态神经网络

    本文提出使用融合图技术设计具有空间和排列对称性的神经网络，并将其应用于分子学习任务，以提高性能。

    Nov, 2022

  • 粒子物理学中的 Lorentz 群等变神经网络

    本文介绍一种基于洛伦兹群的有等变性的神经网络体系结构，其用于分类任务在粒子物理学中表现出的结果优于卷积神经网络和点云方法。

    Jun, 2020

  • 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

    通过图神经网络模型，基于骨杈格构造了高阶张量来预测周期性结构的刚度特征，并通过比较错误度量验证了等变性和能量守恒的优点，表明预测性能提高且训练需求减少。

    Jan, 2024

  • 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

  • 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

  • E (n) 等变图神经网络

    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

  • 关于纽约利群上等变神经网络的一般框架

    本文提出了一个通用的 Equivariant 神经网络架构，能够尊重任何减少 Lie 群 G 的有限维表示的对称性，并用于解决几个问题，例如高能物理学，量子力学，量子色动力学，形状识别，图像识别等。

    May, 2023

  • 使用 E (3)- 等变图神经网络学习拉格朗日流体力学

    我们展示了等变图神经网络在工程系统机器学习领域具有优于非等变模型的学习精度，并且我们发现使用我们提出的历史嵌入方法来训练等变模型可以学习到更加准确的物理交互。

    May, 2023

  • 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