BriefGPT - AI 论文速递
·
学习图上的粗粒度动力学
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了使用图神经网络（GNN）非马尔科夫建模框架来识别图上的粗粒化动力系统。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，确定了适当的GNN体系结构。通过数值演示，证明了该体系结构能够预测固定和时变图拓扑下的粗粒化动力学。
🎯
关键要点
-
本文探讨使用图神经网络（GNN）非马尔科夫建模框架来识别图上的粗粒化动力系统。
-
通过分析莫里 - 茨旺齐记忆项的主导项与图拓扑的粗粒化相互作用系数的关系，确定GNN的体系结构。
-
适当的GNN体系结构需要至少进行2K步的消息传递机制，以考虑K-跳动力学相互作用。
-
在假设相互作用强度以跳距离的幂律衰减的情况下，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。
-
通过异质库拉莫特振荡器模型和电力系统的数值演示，验证了所提出的GNN体系结构在固定和时变图拓扑下预测粗粒化动力学的能力。
🏷️
标签
➡️
