返回
Learning coarse-grained dynamics on graph
DOI:10.1016/j.physd.2025.134801.png)
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
IF:
2.9
论文数:
389
被引数:
1.5W
机构
暂无机构信息

