Głębokie uczenie się grafów zakodowanych w fizyce dla systemów dyfuzji fizycznej

Głębokie uczenie się grafów zakodowanych w fizyce dla systemów dyfuzji fizycznej

Zjawiska dyfuzji mają fundamentalne znaczenie w fizyce, inżynierii i biologii, jednak ich symulacja za pomocą tradycyjnych metod numerycznych wymaga intensywnych obliczeń w przypadku złożonych systemów. Chociaż głębokie uczenie się jest obiecujące, dominujące podejścia, takie jak sieć neuronowa oparta na fizyce (PINN), charakteryzują się ograniczoną możliwością uogólniania i kumulacją błędów, szczególnie w przypadku rzadkich danych lub nieregularnej geometrii. W tym miejscu proponujemy grafową sieć neuronową zakodowaną w fizyce (PeMN), która integruje mechanizm przekazywania komunikatów w grafie z zasadami dyskretnej geometrii różniczkowej. Poprzez jawne kodowanie operatorów różniczkowych, takich jak operatory Laplaciana i gradientu, do architektury sieci w celu dyskretyzacji przestrzennej, PeMN zmniejsza nieliniowość w przybliżaniu funkcji, jednocześnie wymuszając ścisłe przestrzeganie fizyki.

Równania dyfuzji to podstawowe modele matematyczne opisujące przestrzenną i czasową ewolucję wielkości fizycznych, takich jak ciepło, masa i pęd. Te cząstkowe równania różniczkowe (PDE) są szeroko stosowane w różnych dyscyplinach, w tym w fizyce, inżynierii i biologii, i służą do charakteryzowania złożonych czasoprzestrzennych procesów dynamicznych, takich jak reakcje chemiczne, dynamika płynów i zmiany klimatyczne. Dokładna symulacja procesów dyfuzji jest zatem kluczowa w optymalizacji projektów, przeprowadzaniu oceny ryzyka i ułatwianiu podejmowania decyzji.

Jednakże symulacja układów dyfuzyjnych przy użyciu tradycyjnych metod obliczeń numerycznych, takich jak metoda elementów skończonych (FEM) i metoda objętości skończonych, napotyka szereg wyzwań. Podstawowym problemem są wysokie koszty obliczeniowe związane z obsługą wielkoskalowych i wielowymiarowych problemów, szczególnie w scenariuszach wymagających wielu powtarzalnych symulacji, takich jak projektowanie optymalizacyjne, problemy odwrotne i kwantyfikacja niepewności. Co więcej, w przypadku problemów dyfuzyjnych ze złożonymi warunkami brzegowymi i charakterystyką nieliniową stabilność i zbieżność metod numerycznych są szczególnie wyraźne, co wymaga starannego zaprojektowania algorytmu i dostrojenia parametrów. Wraz ze wzrostem mocy obliczeniowej metody głębokiego uczenia się oferują nową możliwość sprostania tym wyzwaniom, ponieważ modele głębokiego uczenia się są w stanie uczyć się na podstawie danych złożonych wzorców czasoprzestrzennych i umożliwiać szybkie prognozowanie przy znacznie niższych kosztach obliczeniowych.