شبكات الرسم البياني المُشَكِّلة بالفيزياء القابلة للمفاضلة

بينما تنقل الفيزياء المعرفة حول الطبيعة من خلال التفاعل بين الملاحظات والنظريات، فقد تم اعتبارها أقل أهمية في الشبكات العصبية العميقة. وبشكل خاص، هناك عدد قليل من الأعمال التي تستفيد من سلوكيات الفيزياء عندما تكون المعرفة مقدمة بشكل أقل صراحة. في هذا العمل، نقترح هندسة جديدة تسمى الشبكات الرسومية المستندة إلى الفيزياء القابلة للمفاضلة (Differentiable Physics-informed Graph Networks - DPGN) لدمج المعرفة الفيزيائية الضمنية التي يتم تقديمها من قبل الخبراء في المجال عن طريق إخبارها في الفضاء الكامن. باستخدام مفهوم DPGN، نوضح أن مهام التنبؤ بالمناخ قد تحسنت بشكل كبير. بالإضافة إلى نتائج التجارب، نؤكد فعالية الوحدة المقترحة ونقدم تطبيقات أخرى للشبكات الرسومية المستندة إلى الفيزياء القابلة للمفاضلة (DPGN)، مثل التعلم الاستقرائي والتنبؤات متعددة الخطوات.