arXiv · 17.06.2026 ·Машинное обучение

Новая архитектура P-K-GCN для моделирования пространственно-временных данных

Исследователи представили архитектуру P-K-GCN (Physics-augmented Koopman-enhanced Graph Convolutional Network), предназначенную для решения задач пространственно-временного суперразрешения. Метод позволяет восстанавливать высокоточные данные из грубых входных сигналов, что критически важно для сложных физических симуляций, где прямые вычисления требуют огромных вычислительных мощностей.

В основе подхода лежит объединение теории операторов Купмана и графовых нейронных сетей. Операторы Купмана помогают линеаризовать сложные нелинейные динамические системы, переводя их в пространство, где временная эволюция описывается более простыми закономерностями. Графовая составляющая сети обеспечивает эффективную обработку данных с нерегулярной геометрией, что является слабым местом традиционных сеточных методов.

Ключевым преимуществом разработки стало внедрение физических ограничений непосредственно в процесс обучения нейросети. Это позволяет модели не просто аппроксимировать данные, но и следовать фундаментальным законам сохранения, что повышает стабильность и точность прогнозов при работе с динамическими процессами. Технология демонстрирует высокую эффективность в задачах, где необходимо масштабировать результаты физического моделирования без потери детализации.

Источник: arXiv

Похожие материалы

arXiv · Машинное обучение Ускорение численного моделирования потоков с помощью графовых нейросетей Исследователи представили новый метод ускорения алгебраических многосеточных решателей (AMG), используемых для решения уравнения Пуассона при моделировании несжимаемых потоков. Традиционные линейные методы часто сталкиваются с вычислительными сложностями из-за неоднородности расчетных сеток, что делает их узким местом в инженерных расчетах. arXiv · Машинное обучение Новый подход к моделированию динамических систем через явные структуры Исследователи представили альтернативный подход к обучению динамических систем, который отходит от использования универсальных нелинейных аппроксиматоров. Вместо наращивания сложности нейронных сетей для захвата сложных паттернов, авторы предлагают архитектуру, где моделирующая способность системы определяется её внутренней структурой. Такой метод позволяет эффективнее описывать поведение динамических процессов, опираясь на математически обоснованные взаимодействия, а не на избыточную нелинейность. Hacker News · Исследования и наука Next-Latent Prediction: новый подход к обучению компактных моделей мира Исследователи представили метод Next-Latent Prediction (NLP), который меняет подход к обучению трансформеров для моделирования динамических сред. В отличие от традиционных моделей, предсказывающих будущие токены в пространстве пикселей или дискретных состояний, этот метод фокусируется на прогнозировании скрытых представлений (латентных векторов). Такой подход позволяет модели сжимать информацию о визуальных и физических процессах, отсекая избыточные детали и концентрируясь на ключевых закономерностях среды. arXiv · Машинное обучение Эквивариантные графовые нейросети ускоряют поиск новых материалов Исследователи представили новый подход к прогнозированию оптических спектров материалов с использованием эквивариантных графовых нейронных сетей. Традиционные суррогатные модели часто ограничены использованием скалярных признаков, инвариантных к поворотам, что снижает точность описания геометрических свойств молекулярных структур. Применение эквивариантных архитектур позволяет нейросети учитывать пространственную ориентацию атомов и связей, значительно повышая выразительность модели при анализе сложных физических систем. arXiv · Память и RAG Память в ИИ для прогнозирования трафика Исследователи из Университета Цинхуа и других ведущих вузов представили новый подход к прогнозированию состояния дорожного движения с использованием памяти. В статье, опубликованной на arXiv, они предлагают Memory-Augmented Graph Liquid Time-Constant Networks (M-GLTN) — модель, которая решает проблему нехватки данных в некоторых регионах за счёт переноса знаний из других областей. arXiv · Машинное обучение Новый метод решения нелинейных уравнений с нейросетями Исследователи предложили новый численный метод для решения нелинейных дифференциальных уравнений с использованием физически информированных нейронных сетей (PINNs). Метод основан на подходе Беллмана-Калабы, который сводит нелинейную задачу к последовательности линейных подзадач. Каждая из них решается методом наименьших квадратов с помощью QR-разложения. arXiv · Машинное обучение Исследование монотонных нейросетей на основе теоремы Колмогорова-Арнольда Учёные представили исследование монотонных нейросетей, основанных на теореме Колмогорова-Арнольда. Монотонность — это свойство, при котором выходные данные модели изменяются в одном направлении при изменении входных данных. Это важно в задачах, где такие зависимости известны заранее, например, в экономике или науке. Hacker News · Машинное обучение Новый метод параллельных вычислений на GPU для ИИ Исследователи представили новый подход к параллельным вычислениям на графических процессорах, который может значительно ускорить обучение и инференс нейросетей. В статье, опубликованной на arXiv, авторы предлагают метод, позволяющий избежать традиционных проблем с синхронизацией и конкуренцией за ресурсы. Hacker News · Машинное обучение Реализация нейронных клеточных автоматов на WebGPU Нейронные клеточные автоматы (NCA) представляют собой вычислительную модель, где локальные правила взаимодействия между соседними ячейками сетки приводят к возникновению сложных глобальных паттернов и самоорганизующихся структур. В отличие от классических клеточных автоматов, правила в NCA определяются нейронной сетью, что позволяет системе обучаться выполнению конкретных задач, таких как генерация изображений, морфогенез или восстановление поврежденных данных. arXiv · Машинное обучение Гибридная архитектура LSTM и Vision Transformer для прогнозирования ошибок погоды Исследователи представили гибридную модель машинного обучения, предназначенную для коррекции ошибок в численных прогнозах погоды высокого разрешения (NWP). Система High-Resolution Rapid Refresh (HRRR), используемая метеорологами, часто сталкивается с неточностями, вызванными сложными атмосферными процессами, такими как конвекция, влияние рельефа и динамика пограничного слоя планеты. Традиционные методы не всегда справляются с учетом вертикальной структуры атмосферы, что приводит к накоплению погрешностей в краткосрочных прогнозах.

← Все материалы