P-K-GCN: 물리 보강 쿠프먼 그래프 컨볼루션 네트워크로 딥 스파티오틈퍼 초해상도
개요
고해상도 시공간 동역학의 시뮬레이션은 계산적으로 부담스럽기 때문에 미세한 입력을 고해상도 데이터로 재구성하기 위한 효율적인 초해상도 기술이 필요합니다. 전통적인 데이터 기반 방법은 물리적 제약이 부족하고, 간단한 물리 인식 학습은 불규칙 공간 기하학과 복잡하게 진화하는 시간 역학에 어려움을 겪습니다. 이러한 도전을 해결하기 위해, Physics-augmented Koopman-enhanced Graph Convolutional Network (P-K-GCN) for spatiotemporal super-resolution on irregular geometries를 제안합니다. 구체적으로, 연속 스플라인 기반 GCN을 먼저 설계하여 미세 그래프에서 직접 공간 의존성을 추출하고, Koopman 연산자 이론을 활용해 비선형 동역학을 압축된 잠재 공간으로 투사하여 시간 진행을 선형화합니다. 둘째, 최적화 목표에 물리 기반 손실을 추가해 데이터 기반 재구성이 물리 법칙을 준수하도록 하여 예측 정확도와 견고성을 향상시킵니다. 마지막으로, 물리 증강과 Koopman 정규화가 수학적으로 초해상도 오차를 감소시킴으로써 Rademacher 복잡성을 줄이고 일반화 경계를 강화한다는 엄밀한 이론적 분석을 제공합니다. 우리 프레임워크를 3D 심장 기하학에서 희소 저해상도 측정값으로부터 공간적으로 고해상도 심장 전도 역학을 재구성하는 데 평가합니다. 수치 실험은 우리 방법이 베이스라인 모델보다 우수한 정확도를 달성함을 보여줍니다.
주요 공헌
이 논문에서는 다음 분야를 다룹니다:
- cs.LG
방법론
자세한 방법은 전체 논문을 참고하십시오.
실제 활용
본 연구는 cs.LG 분야의 발전을 기여합니다.
저자
- Xizhuo
- Zhang
- Zekai Wang
- Fei Liu
- Bing Yao
논문 정보
- arXiv ID: 2606.19303v1
- 분류: cs.LG
- 발행일: 2026년 6월 17일
- PDF: Download PDF