Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs
Guangsi Shi, Daokun Zhang, Ming Jin, Shirui Pan and Philip S. Yu
深度学习模型的伟大学习能力有助于我们理解真实的物理世界,使学习模拟复杂的粒子系统成为一项有希望的努力。 然而,物理世界的复杂定律对基于学习的模拟提出了重大挑战,例如相互作用的粒子之间的不同空间依赖和不同时间戳中粒子系统状态之间的不同时间依赖性,这些粒子在粒子的相互作用行为和物理系统的进化模式中占主导地位。 现有的基于学习的模拟方法不能完全解释复杂性,使它们无法产生令人满意的模拟。 为了更好地理解复杂的物理定律,本文提出了一种新的基于学习的模拟模型 - 具有空间-时间神经普通方程(GNSTODE)的图形网络 - 使用统一的端到端框架表征粒子系统中的不同空间和时间依赖。 通过真实世界的粒子-粒子相互作用观测训练,GNSTODE能够以高精度模拟任何可能的粒子系统。 我们经验评估GNSTODE在两个真实世界的粒子系统Gravity和Culomb上的模拟性能,具有不同程度的空间和时间依赖关系。 结果表明,与最先进的基于学习的模拟方法相比,拟议的GNSTODE产生显着更好的模拟,这证明GNSTODE可以作为实际应用中粒子模拟的有效解决方案。
The great learning ability of deep learning models facilitates us to comprehend the real physical world, making learning to simulate complicated particle systems a promising endeavour. However, the complex laws of the physical world pose significant challenges to the learning based simulations, such as the varying spatial dependencies between interacting particles and varying temporal dependencies between particle system states in different time stamps, which dominate particles' interacting beha...