文件名称：matlab微分方程代码-graph-pde:使用图网络求解PDE
文件大小：3.77MB
文件格式：ZIP
更新时间：2024-06-12 10:15:49
系统开源
matlab微分方程代码基于图的神经算子 该存储库包含以下两篇论文的代码： 图形内核网络（GKN） 我们建议使用图神经网络来学习偏微分方程的解算子。 我们工作的关键创新在于，在精心设计的网络体系结构中，可以使用一组网络参数来描述无限维空间之间以及这些空间的不同有限维近似之间的映射。 多极图内核网络（MGKN） 受经典多极方法的启发，我们提出了一种多级图神经网络框架，该框架仅以线性复杂度即可捕获所有范围内的相互作用。 我们的多级表示等效于将归纳点递归添加到内核矩阵，用内核的多分辨率矩阵分解统一GNN。 实验证实，我们的多图网络可以学习PDE的离散不变解算子，并且可以在线性时间内进行评估。 要求 档案文件 代码采用简单脚本的形式。 每个脚本应该是独立的并且可以直接运行。 数据集 我们提供了本文中使用的Burgers方程和Darcy流数据集。 数据生成可以在论文中找到。 数据以matlab文件的形式给出。 可以使用Utility.py中提供的脚本来加载它们。
【文件预览】：
graph-pde-master
----.idea()
--------vcs.xml(180B)
----multipole-graph-neural-operator()
--------neurips4_GCN.py(6KB)
--------neurips5_GKN.py(7KB)
--------README.md(962B)
--------MGKN_general_darcy2d.py(12KB)
--------neurips2_MGKN.py(13KB)
--------MGKN_orthogonal_burgers1d.py(9KB)
--------neurips1_GKN.py(8KB)
--------utilities.py(69KB)
--------neurips3_MGKN.py(17KB)
--------neurips1_MGKN.py(13KB)
----LICENSE(1KB)
----README.md(2KB)
----graph-neural-operator()
--------UAI6_sample_radius.py(8KB)
--------UAI8_kernel.py(8KB)
--------nn_conv.py(11KB)
--------UAI7_evaluate.py(9KB)
--------model()
--------UAI1_full_resolution.py(16KB)
--------UAI4_equation_sample.py(8KB)
--------UAI3_resolution.py(11KB)
--------README.md(216B)
--------UAI2_full_equation.py(8KB)
--------UAI7_evaluate2.py(9KB)
--------utilities.py(39KB)
--------UAI5_sample_generalize.py(12KB)