微信里点“发现”,扫一下
二维码便可将本文分享至朋友圈
演讲摘要:本报告从几何对称性的角度,介绍GNN for Physics的研究进展,特别是如何利用图神经网络实现复杂物理系统进行的精准模拟。首先,针对多体交互场景,提出了多层级等变图神经网络EGHN,其由等变池化E-Pool和等变去池化E-UnPool两个部分通过U-Net连接组成,分别负责信息从细粒度到粗粒度的聚合、从粗粒度到细粒度的分发。其次,针对复杂物体物理交互,首次提出了“子等变”的概念,即把欧氏等变GNN放缩成,只服从由外部力场所诱导子群上的等变GNN,并给出表达能力的完备性证明,Subequivariant GNN很好拟合了现实物理世界因为外部力场(如重力)所造成的对称性破缺情形。最后,介绍基于模型的强化学习方法,实现高效的智能体策略探索。
讲者简介:现为中国人民大学高瓴人工智能学院助理教授、博导。曾在清华大学产业研究院担任助理研究员,腾讯AI Lab担任高级研究员。研究方向包括几何机器学习理论方法、几何机器学习在机器人感知与决策任务上的应用、科学知识嵌入的机器学习等。尤其在图神经网络GNN方面,做出了若干代表性工作。曾获NeurIPS Open Catalyst Challenge冠军、国际会议IROS机器人比赛冠军、腾讯犀牛鸟专项研究卓越奖、NeurIPS Outstanding Reviewer等奖项。