Réseaux de Graphes Informatisés par la Physique et Différentiables

Bien que la physique transmette une connaissance de la nature construite à partir d'un échange entre observations et théorie, elle a été considérée comme moins importante dans les réseaux neuronaux profonds. En particulier, il existe peu de travaux exploitant les comportements physiques lorsque ces connaissances sont données de manière moins explicite. Dans ce travail, nous proposons une nouvelle architecture appelée Réseaux Graphiques Informatisés par la Physique Différentiable (DPGN) pour intégrer des connaissances physiques implicites fournies par des experts du domaine en les informant dans l'espace latent. En utilisant le concept de DPGN, nous montrons que les tâches de prédiction climatique sont considérablement améliorées. Outre les résultats expérimentaux, nous validons l'efficacité du module proposé et fournissons des applications supplémentaires de DPGN, telles que l'apprentissage inductif et les prédictions multistep (multistep predictions).