一种图神经网络方法用于映射物理概念结构和分支间连接性.pdfVIP

一种图神经网络方法用于映射物理概念结构和分支间连接性

MassimilianoRomiti

IndependentResearcher

massimiliano.romiti@,ORCID:0009-0004-7264-9703

2025年7月25日

摘要

庞大的物理定律体系代表了一个复杂的知识网络，其高层次结构并不总是显而易见的。

这项工作介绍了一种新的框架，用于表示和分析作为全面加权知识图谱的物理定律。我们构

本建了一个包含659个不同物理方程的数据集，并通过严格的语义清洗过程解决了符号歧义问

译题，最终得到了一个由400个高级物理方程组成的高保真数据集，故意排除了基础力学以专

中注于现代物理学中的跨分支联系。我们开发了一种增强的图形表示方法，其中物理概念和方

1程都是节点，并且通过加权方程间桥梁连接起来。这些权重使用变量重叠、物理信息重要性

v得分和文献计量学数据的归一化指标来客观定义。经过网格搜索优化超参数的图注意力网络

4

2（GAT）被训练用于链接预测。模型在五次独立运行中实现了测试AUC为，

7每次运行5000个周期（耐心值500），显著优于经典启发式方法（最佳基线AUC：0.9487，

5

0共同邻居）和已建立的GNN架构如GraphSAGE（AUC：，）。统

.

8计测试确认了所有比较的重要意义（），模型比最佳基线提高了2.7%。我们的分析

0揭示了三个关键发现：(i)模型自主重新发现了物理的已知宏观结构，在电磁学和统计力学

5

2之间识别出强大的概念轴。(ii)它识别出中心“枢纽”方程，这些方程作为连接多个物理域

:

v的关键桥梁。(iii)该模型生成跨领域的稳定、计算得出的假设，既识别了已知原则又提出了

i

x进一步理论研究的新数学类比。该框架可以生成数百种此类假设，从而能够创建用于特定物

r

a理学子领域有针对性分析的专用数据集。

1介绍

物理学的积累知识包含了大量的数学方程。这些定律传统上被组织成不同的分支——如经

典力学、电磁学和量子力学。虽然这种分类是有用的，但它可能会掩盖那些构成物理理论基础

的“句法语法”的深层次结构性相似性。识别这些隐藏的联系至关重要，因为历史上许多突破

常常来自于认识到看似不相关的领域之间的类比[1,2]。

在科学知识的计算分析中，符号多义性是一个重大挑战，同一个符号可以表示不同的概念

（例如，可以代表压力或功率）。这种歧义会导致错误的关联并混淆统计分析[3,4]。近年来，

图神经网络（GNNs）已成为分析复杂关系数据的强大工具[5,6]。特别是图注意力网络（GATs）

[7,8]，非常适合知识图谱分析[9,10]。

最近在科学发现中机器学习的进展展示了自动生成假设的潜力[11,12]。链接预测方法已

被证明特别有效于知识图谱补全[13,14]，使它们成为发现科学数据库中潜在数学类比的理想

工具。

1

我假设整个物理定律体系可以被建模为一个网络，在这个网络中，经过严格验证的GNN可

以识别出具有统计显著性的结构模式。本文提出了一种构建和分析此类图的方法论。我的目标

有三：

1.开发一个稳健的流水线，将物理定律的符号数据库转换为语义清晰、增强且加权的知识图

谱，边权重来自基于文献的目标度量。

2.训练并统计验证一个简约的GNN以学习图中的结构关系，并预测合理