对等图神经网络在物理动力学学习中松弛连续约束
原文中文,约400字,阅读约需1分钟。发表于: 。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。
该论文介绍了一种名为ESTAG的新动力学模拟方法,利用过去时期的轨迹预测物理系统的动态。ESTAG通过等变离散傅里叶变换和等变空间模块提取周期模式和传递空间信息,再通过等变时间模块聚合时间信息。实验证明ESTAG在不同级别的数据集上比传统方法更有效。