作為人工智能（AI）領域的新興技術，圖神經網絡（GNN）是一種專門處理圖結構數據的深度學習模型。目前，GNN 主要擅長處理數據中節點與邊之間的關係，但往往忽略了高階的複雜連結，香港理工大學（理大）研究團隊研發的新型異構圖注意力網絡成功解決這一挑戰，革新了圖結構數據的複雜關係建模，有望突破 AI 在神經科學、物流、電腦視覺、生物學等多個領域的應用限制。
研究團隊將 HL-HGAT 應用於功能性磁振造影數據分析，在神經科學與醫療診斷上有顯著應用價值。
簡單來說，傳統 GNN 主要考慮「A 連接 B」、「B 連接 C」這樣的成對關係，卻難以理解 A、B、C 三者的群體互動。由理大醫療科技及資訊學系教授、傑出創科人教授仇安琪教授及其研究團隊設計的新型「霍奇-拉普拉斯異構圖注意力網絡（Hodge-Laplacian Heterogeneous Graph Attention Network，HL-HGAT）」，能夠學習和分析不同層次的異質信號，捕捉多種圖結構間的複雜關聯。
在數學上，k-單體是高維幾何的基本元素，能夠捕捉多個節點之間的高階關聯：0-單體為單一節點，1-單體為連接兩個節點的邊，2-單體為三個節點構成的三角形，如此類推。HL-HGAT 模型將圖形解釋為單體複形，可同時捕捉節點、邊、三角形等多層次結構間的複雜互動，全面提升模型對數據複雜關係的理解能力。
HL-HGAT 的核心為霍奇-拉普拉斯（Hodge-Laplacian，HL）算子，它提供了一個可在單體複形上建模及傳播訊號的數學框架，使該網絡能夠突破成對關係的限制，為結構數據中的複雜、多層次的交互作用建構更精確的模型。在動態圖領域，HL-HGAT 的重大突破則在於它能將高階拓樸表徵擴展至時域，並結合高效的 HL 濾波、自適應注意力機制及異構訊號分解，揭示傳統靜態 GNN 無法捕捉的複雜時變模態。
理大醫療科技及資訊學系教授、傑出創科學人教授仇安琪教授設計了一種新型的「霍奇-拉普拉斯異構圖注意力
網絡」（HL-HGAT），革新了圖結構數據的複雜關係建模，有望突破 AI 在神經科學、物流、電腦視覺、生物學等多個領域的應用限制。
仇教授表示：「HL-HGAT 模型在各種基於圖的場景，包括是理論優化問題，或實際生物醫學應用等方面，皆展現廣泛效用及豐富功能。該模型已在各種圖應用中進行了全面評估，結果證明其作為統一框架的適應能力，能夠跨學科地處理優化、分類、回歸及多模態學習等任務。」
研究團隊在多個領域進行了全面測試：在物流領域，HL-HGAT 有效解決經典的「旅行商問題」（如何規劃最短配送路線），為物流公司節省大量時間和成本；電腦視覺領域，HL-HGAT 將影像轉換為圖形結構進行分析，其表現在 CIFAR-10影像分類測試中超越了傳統的 GNN，能更精準地捕捉影像中的細節特徵；在化學領域，HL-HGAT 在預測分子特性方面取得卓越準確度，有助加速新藥開發進程。
在神經科學與醫療診斷上，HL-HGAT 亦展現出極高的應用價值。團隊將其用於功能性磁振造影（fMRI）數據分析，能準確預測智力表現與大腦年齡，更能在抑鬱症患者的腦網絡中發現預設模式網絡和邊緣系統中異常的「三方神經區域互動」——這些細微變化是傳統方法無法察覺的。此外，在 HL-HGAT 也可檢測出阿茲海默症患者早期的皮質變薄與神經連接中斷，有助更及時發現病徵。
此創新的 HL-HGAT 模型不但在科學及工業應用中針對各種基於圖的複雜任務展現了卓越成果，更標誌着圖神經網絡技術的重要進展。該研究名為「HL-HGAT：霍奇-拉普拉斯算子的異構圖注意力網絡」，已發表於《IEEE 模式分析與機器智能學報》（IEEE Transactions on Pattern Analysis and Machine Intelligence）。
在應對極端天氣、提升氣候韌性的關鍵領域,香港科技大學取得了一項突破性進展。科大研究團隊成功研發出一種人工智能模型,能夠提前長達四小時預警危險的強對流風暴,包括多次襲港的「黑色暴雨」及雷暴和及突發性強降雨等。這項全球首創的技術由科大與國家級氣象機構合作開發。與現有系統相比,該模型利用衛星數據及先進的深度擴散技術,能在 48 平方公里的空間尺度上將預報準確率提升超過 15%,這不僅顯著增強了國家氣象預報系統的整體精準度,也為亞洲乃至全球防災能力較弱的地區帶來了更有效的早期預警,以應對氣候突變的風險。
這項研究與「沿海城市氣候韌性國家重點實驗室」(SKL-CRCC ) 的核心目標高度契合。該實驗室於去年獲中國科學技術部批准成立,現由實驗室主任吳宏偉教授領導。他同時擔任科大副校長(大學拓展)、及中電控股可持續發展學教授。
2023年7月29日京津冀地區受颱風杜蘇芮影響,下起連場暴雨,圖中顯示現有模型 NowcastNet 與 PredRNN-v2 在 4 小時預報情況下無法提供準確的預測結果,而 PySTEPS 模型亦然。相比之下,DDMS 展現更精準的臨近預報能力。
研究團由科大沿海城市氣候韌性全國重點實驗室之氣候變化與極端天氣方向科研主管、土木及環境工程學系講座教授兼「傑出創科學人」蘇慧教授,聯同博士後研究員代快博士,並與哈爾濱工業大學(深圳)計算機科學與技術學院、中國氣象局熱帶海洋氣象研究所及國家衛星氣象中心的學者組成。研究成果已發表於《美國國家科學院院刊》,論文題為〈利用衛星數據驅動的深度擴散模型實現四小時對流預報〉。
近年極端天氣的情況愈趨頻繁,香港去年夏季曾在八日內四度發出黑色暴雨警告;印尼峇里島、泰國南部等地亦遭受暴雨洪澇重創,造成重大人命傷亡和經濟損失。現行天氣預報主要依靠數值模式模擬大氣狀態,運算成本高昂且易受大氣混沌性及觀測資料不足的影響,對於快速發展且尺度細小的對流系統(如雷暴及暴雨),準確預報時間通常僅能提前 20 分鐘至兩小時。如此短暫的預警時間,令政府部門、應急部門和公眾在災害來臨前幾乎來不及部署、疏散或採取有效防災措施。
為應對上述挑戰,由科大學者帶領的研究團隊開發了一套全新 AI 運算框架——「基於衛星數據的深度擴散模型(deep diffusion model of satellite data，DDMS)」。該模型運用生成式 AI 最前沿的深度學習訓練架構,在訓練過程中於數據注入噪音,讓模型能學習如何反向生成高品質預報信息。團隊利用中國風雲四號衛星於 2018 至 2021 年間取得的紅外亮溫觀測資料進行模型訓練,並結合氣象專業知識,以精準捕捉對流雲系的時空演變特徵;其後再以 2022 至 2023 年春夏季樣本對模型表現進行驗證。
團隊成功開發全球首個可提前四小時預報雷暴發展的 AI 系統,在 48 平方公里分辨率下,其預報準確度較現行模型提升逾15%。
其他技術突破包括:
• 提供高分辨率、約每15 分鐘更新一次的高頻率預報,覆蓋範圍面積達約 2，000 萬平方公里,包括中國、韓國、東南亞等地區。
• 在多種空間尺度(4公里至 48 公里)和不同季節下均表現穩定,尤其在2至4小時預報時窗中準確度尤為突出。該模型恰恰能在傳統模型預報方法最薄弱的環節發揮優勢,在這一關鍵預警時段內,其準確率提升幅度在3%至 16%之間,平均提升達 8.26%。
科大沿海城市氣候韌性全國重點實驗室之氣候變化與極端天氣方向科研主管、土木及環境工程學系講座教授兼「傑出創科學人」蘇慧教授(右),聯同博士後研究員代快博士(左)合影。
論文第一作者代快博士表示：「傳統天氣預報主要依賴地面雷達,但雷達訊號易受地形、降水粒子特性等因素影響,且通常需待對流雲發展完成後才能觀測到明顯變化,導致預報時效滯後。新 AI 模型利用衛星從太空監測雲團演變,能更早識別對流初生跡象。DDMS 為大氣監測和暴雨預警帶來重大突破,該技術可更早掌握大氣變化,讓預報更準、更快,直接提升地區的災害防護和應變能力。」
蘇慧教授表示：「是次研究是大學團隊與國家級機構——中國氣象局及國家衛星氣象中心攜手合作的成果,為相關部門提供了一個極具參考價值的新模型。系統的算法日後可適用於不同的衛星數據,未來能擴大覆蓋範圍,協助更多國家和地區應對日益嚴峻的氣候挑戰。同時,系統具備商業化潛力,能為能源、保險等行業提供更精準的風險預測,協助企業及早評估極端天氣可能帶來的影響,提升整體應變能力。這不僅是技術的進步,更是從觀測天氣邁向智能預判天氣的範式轉移。在氣候暖化的時代,此種能力對人類的安全與永續未來至關重要。」
研究的共同作者包括哈爾濱工業大學(深圳)計算機科學與技術學院教授李旭濤教授、葉允明教授和博士生余德民;中國氣象局熱帶海洋氣象研究所助理研究員方俊穎;以及國家衛星氣象中心主任王勁松博士、國家衛星中心科技與國際合作處處長咸迪和國家衛星中心遙感應用服務中心主任覃丹宇。
