本研究では、物理システムの予測を行う新しいアプローチであるGrINdを提案している。GrINdは、Fourier補間層とNeuralPDEモデルを組み合わせたものである。
Fourier補間層では、散在した観測データを高解像度グリッドに補間する。その後、高解像度グリッド上でNeuralPDEモデルを用いて物理システムの将来の状態を予測する。
実験では、DynaBenchベンチマークデータセットを用いて評価を行った。その結果、GrINdは他の非グリッドベースのモデルと比べて、特に長期予測の精度が高いことが示された。これは、グリッドベースのモデルの数値的安定性が高いためだと考えられる。
今後の課題としては、Fourier補間層のパラメータをNeuralPDEモデルと同時に学習することや、Fourier空間で直接動力学を学習することなどが考えられる。
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문