G-PARC: Modello di Rete Neurale a Grafo per Dinamiche Spazio-Temporali su Griglie Non Strutturate

È stata sviluppata una nuova architettura di rete neurale chiamata Graph PARC (G-PARC) per prevedere dinamiche spazio-temporali non lineari su griglie non strutturate. Il modello affronta i limiti dei metodi di deep learning consapevoli della fisica esistenti utilizzando kernel di minimi quadrati mobili per approssimare le derivate spaziali su grafi irregolari. G-PARC incorpora le derivate delle equazioni differenziali alle derivate parziali direttamente nel grafo computazionale della rete. Questo approccio raggiunge una migliore accuratezza con 2-3 volte meno parametri rispetto ai metodi precedenti. La ricerca è stata annunciata su arXiv con l'identificatore 2604.16533v1. Le reti ricorrenti convoluzionali consapevoli della fisica (PARC) avevano precedentemente dimostrato prestazioni elevate ma erano limitate a griglie cartesiane uniformi e statiche. Le reti neurali a grafo gestiscono naturalmente le discretizzazioni spaziali irregolari ma faticano con regimi estremamente non lineari. Il metodo proposto combina i punti di forza di entrambi gli approcci per seguire efficientemente le strutture localizzate in evoluzione.