Differenzierbare physikinformierte Graphnetzwerke

Während die Physik Wissen über die Natur vermittelt, das aus einem Wechselspiel zwischen Beobachtungen und Theorie gebaut ist, wurde sie bei tiefen neuronalen Netzen bisher weniger berücksichtigt. Insbesondere gibt es wenige Arbeiten, die physikalische Verhaltensweisen nutzen, wenn das Wissen weniger explizit gegeben ist. In dieser Arbeit schlagen wir eine neuartige Architektur vor, die als differenzierbare physikalisch informierte Graphennetze (DPGN) bezeichnet wird, um implizites physikalisches Wissen zu integrieren, das von Fachexperten im latenten Raum vermittelt wird. Mit dem Konzept der DPGN zeigen wir, dass Klimavorhersageaufgaben erheblich verbessert werden können. Neben den Experimentsergebnissen validieren wir die Effektivität des vorgeschlagenen Moduls und stellen weitere Anwendungen der DPGN vor, wie z.B. induktives Lernen und mehrschrittige Vorhersagen.