基于守恒信息嵌入图学习的动力系统建模方法、系统、介质及设备

本发明涉及一种基于守恒信息嵌入图学习的动力系统建模方法、系统、介质及设备，其包括：对物理场进行时空离散化，将对称性嵌入图神经网络底层架构学习时空上通用的连续方程；正向问题中的初始/边界条件被“强编码”为模型输入和输出的一部分；当显式PDE公式完全未知或部分缺失时，将宏观意义上的物理先验知识通过不同的编码方式嵌入神经网络结构中服务于不同物理系统的模拟；在天然具备强可解释性的拓扑结构关系的基础上，采用消息传递机制来学习物理场中不同信息的高维特征表示，用于学习并预测非线性偏微分方程的长期行为，以得到用于学习复杂场景下动力学的守恒信息嵌入图神经网络。本发明能有效降低训练数据数量，能有效的识别潜在的动力机制。