arrow
返回

Learning coarse-grained dynamics on graph

delete2025-06-18
delete0
delete
OA
AI
Y
Yu Yin
J
John Harlim
D
Daning Huang
李
李焱 (Yán Li)
DOI:10.1016/j.physd.2025.134801delete
delete原文链接
delete分享
delete收藏
摘要

摘要

En 中文
我们考虑一种图神经网络(GNN)非马尔可夫建模框架,以识别图上的粗粒度动力系统。我们的主要思路是通过检验Mori-Zwanzig记忆项的主导项如何依赖于编码图拓扑的粗粒度交互系数,系统地确定GNN架构。基于此分析,我们发现能够描述K跳动力交互的适当GNN架构必须采用至少包含2K步的消息传递(MP)机制。我们还推导出,在交互强度随跳距呈幂律衰减的假设下,准确闭包模型所需的记忆长度会随着交互强度的变化而减小。两个示例(异构Kuramoto振子模型和电力系统)的支持性数值演示表明,所提出的GNN架构可以预测在固定和时间变化图拓扑下的粗粒度动力学。

期刊

P
Physica D - Nonlinear Phenomena
IF:
2.9
论文数:
389
被引数:
1.5W

机构

暂无机构信息
引用论文

引用论文

Long Short-Term Memory长短期记忆
err1997-11-01
err0
PREAI
errSepp Hochreiter; Jürgen Schmidhuber
err分享
err收藏
Graph neural networks: A review of methods and applications图神经网络: 方法与应用综述
err2020-01-01
err0
errOAAI
errJie Zhou; Ganqu Cui; Shengding Hu; Zhengyan Zhang; Cheng Yang; Zhiyuan Liu; Lifeng Wang; Changcheng Li; Maosong Sun
err分享
err收藏
The Graph Neural Network Model图神经网络模型
err2009-01-01
err0
errOAAI
errF. Scarselli; M. Gori; Ah Chung Tsoi; M. Hagenbuchner; G. Monfardini
err分享
err收藏
学者 查看更多内容