Physics-Informed GNN Coupled with ESN for Solving Forward Problems of Spatiotemporal Partial Differential Equations
Notice bibliographique
Résumé
Partial Differential Equations (PDEs) are the foundation of modeling and simulation in numerous scientific and engineering fields. In recent years, breakthrough advancements in deep learning, particularly the rise of Physics-Informed Neural Networks (PINNs), have opened up a data-driven new paradigm for PDE solving and demonstrated enormous potential. However, PINN is essentially a global fitting method based on fully connected networks, and its core drawback is that the global fitting characteristics lead to a large amount of redundancy in high-order derivative calculations and insufficient modeling of spatiotemporal correlations. To address this, we propose the Physics-Informed E-GNN method, which modeling spatiotemporal features separately under a discrete learning framework to improve the accuracy of spatiotemporal prediction. Our method first discretizes the initial values of the PDE into a graph structure as input, feeds it into a Graph Neural Networks (GNN) to update the spatial features, and then inputs the updated feature vectors into an Echo State Networks (ESN) autoregressive module in the form of a time series to capture sequence correlations. We conducted comparative experiments on two classic partial differential equations (the 2D Burgers' equation and the 2D Convection-Diffusion equation) in irregular domains. The experimental results show that our proposed method achieves significant improvements in both solution accuracy and generality, and can effectively capture the complex patterns of changes in the PDE system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».