Publication

Learning Dynamics of Spring-Mass Models with Physics-Informed Graph Neural Networks

Olga Fink, Vinay Sharma
2023
Conference Papers

Résumé

We propose a physics-informed message-passing graph neural network (GNN) for learning the dynamics of springmass systems. The proposed method embeds the underlying physics directly into the message-passing scheme of the GNN. We compare the new scheme with conventional message passing and demonstrate the generalization capability of the method. Additionally, we infer the learned parameters of the edges and show that these parameters serve as explainable metrics for the learned physics. The numerical results indicate that the proposed method accurately learns the physics of the spring-mass systems.

Source officielle

https://infoscience.epfl.ch/entities/publication/5b38f457-f205-4c7c-97bd-52ee90248056

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Learning Dynamics of Spring-Mass Models with Physics-Informed Graph Neural Networks

Chattez avec Graph Search

Neuroscience-inspired computer vision and language modeling for behavior analysis

A gentle introduction and tutorial on Deep Generative Models in transportation research

Error assessment of an adaptive finite elements-neural networks method for an elliptic parametric PDE