Una red neuronal de grafos informada por la física que conserva el momento lineal y angular para sistemas dinámicos

Área de la Ciencia:

• Física
• Ciencias de la Computación
• Ingeniería

Sus antecedentes:

• La modelización precisa de sistemas dinámicos multibody es crucial para la predicción y la inferencia.
• Los modelos físicos tradicionales luchan con la escalabilidad y el costo computacional.
• Las redes neuronales de grafos (GNN) basadas en datos a menudo carecen de coherencia física e interpretabilidad.

Objetivo del estudio:

• Proponer DYNAMI-CAL GRAPHNET, una red neuronal de grafos informada por la física.
• Integrar el aprendizaje de GNN con sesgos inductivos basados en la física para mejorar el modelado.
• Abordar las limitaciones de los enfoques tradicionales y puramente basados en datos en sistemas dinámicos.

Principales métodos:

• Desarrolló DYNAMI-CAL GRAPHNET, una novedosa red neuronal de grafos informada por la física.
• Forzó la conservación par a par del momento lineal y angular utilizando marcos de referencia locales de borde equivariantes.
• Diseñado para equivariancia rotacional, invarianza traslacional y equivariancia de permutación.

Principales resultados:

• Logró predicciones físicamente consistentes de la dinámica de nodos.
• Proporcionó impulsos lineales y angulares interpretables a nivel de borde.
• Demostró acumulación de errores estable, extrapolación efectiva y manejo robusto de interacciones heterogéneas y fuerzas externas en un sistema granular 3D.

Conclusiones:

• DYNAMI-CAL GRAPHNET ofrece modelado preciso, interpretable y en tiempo real de sistemas dinámicos multibody complejos.
• Permite la inferencia de fuerzas y momentos al tiempo que maneja de manera eficiente interacciones complejas.
• Valioso para la robótica, la ingeniería aeroespacial, la ciencia de materiales, los sistemas de control y la optimización de procesos mecánicos.