Aug, 2017

DGM：一种用于解决偏微分方程的深度学习算法

PDF
TL;DR提出了一种名为 Deep Galerkin Method（DGM）的算法，它使用深度神经网络来解决高维偏微分方程问题。相较于形成网格，该算法不依赖于网格，而是通过对随机采样的时间和空间点的批量训练来实现。它在一类高维自由边界的偏微分方程、高维哈密顿 - 雅各比 - 贝尔曼（Hamilton-Jacobi-Bellman）偏微分方程和 Burgers 方程上得到了测试，并且在高维空间中能够准确地近似各种边界条件和物理条件下的 Burgers 方程的一般解。此外，论文还证明了神经网络在一类拟线性抛物型偏微分方程上的逼近能力。
发现论文，激发创造
  • 使用深度学习求解高维偏微分方程

    通过使用神经网络逼近未知解的梯度来解决高维偏微分方程，该算法在包括非线性 Black-Scholes 方程、Hamilton-Jacobi-Bellman 方程和 Allen-Cahn 方程等方程上均取得了精确和低误差的结果。

    Jul, 2017

  • 高维随机偏微分方程深度神经网络代理

    利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

    Jun, 2018

  • 用于求解偏微分方程的 Deep Galerkin 和 PINNs 方法的全局收敛性

    此研究论文探讨了如何利用深度学习的方法解决高维偏微分方程的问题，并证明了 Deep Galerkin Method 和 Physics Informed Neural Networks 神经网络逼近器的全局收敛性，随着隐藏单元数的增加，这些神经网络收敛于一个无限维线性常微分方程的解。

    May, 2023

  • 多层次深度学习对偏微分方程的应用：以 Burgers 方程为例

    本论文提出了一种多级深度学习方法来解决非线性偏微分方程（PDEs），该方法能够高效地学习方程的解，并且在预测准确性上优于现有的单级深度学习方法

    Sep, 2023

  • 一种基于极限学习机的高维计算 PDEs 方法

    我们提出了两种基于随机神经网络解决高维偏微分方程 (PDE) 的有效方法。通过对这种类型网络的普适逼近性质的激励，这两种方法都将极限学习机 (ELM) 方法从低维扩展到高维。第一种方法中，$d$ 维度下未知解域由随机前向神经网络表示，其中隐藏层参数随机分配并固定，而输出层参数进行训练。PDE、边界 / 初值条件以及连续性条件 (对于方法的局部变量) 被施加在一组随机内部 / 边界对应点上。通过最小二乘解决其结果线性或非线性代数系统，从而得到网络参数的训练值。第二种方法通过一个基于近似理论的被约束表达式重新描述高维 PDE 问题，避免了随着维度增加而引发的 TFC 项数量的指数级增长。约束表达式中的自由域函数由随机神经网络表示，并通过类似于第一种方法的过程进行训练。我们进行了大量数值模拟，针对多个高维线性 / 非线性静态 / 动态 PDE，以展示这些方法的性能。与基于物理知识的神经网络 (PINN) 方法相比，当前方法在高维 PDEs 上既具有成本效益，又更准确。

    Sep, 2023

  • 高维完全非线性偏微分方程和二阶反向随机微分方程的机器学习逼近算法

    本文介绍一种新的用于解决高维金融模型中的非线性偏微分方程的方法，该方法包含非线性现象、深度神经网络和随机梯度下降类型优化过程，并通过海量数据的数值结果证明了该方法的高效性和精确性。

    Sep, 2017

  • 基于深度学习的高维抛物型偏微分方程和反向随机微分方程数值解法

    该论文提出了一种基于强化学习和神经网络的算法用于解决高维情况下的偏微分方程和反向随机微分方程等数学问题，并在物理和金融学领域的各种非线性情况下进行了测试和优化。

    Jun, 2017

  • 高维演化方程的神经 Galerkin 方案与主动学习

    该研究提出了一种新的基于深度学习的神经 Galerkin 方法，用于数值求解高维偏微分方程。该方法可以自适应地采集新的训练数据，以实现在高维空间中训练深度神经网络，从而成功地模拟了许多变量的系统中的波动和相互作用。

    Mar, 2022

  • 高维偏微分方程的解算子的近似

    我们提出了一种基于有限维控制的方法来近似解决高维演化型偏微分方程的解算符。通过使用通用的降阶模型，例如深度神经网络，我们将模型参数的演化与相应函数空间中的轨迹连接起来。利用神经常微分方程的计算技术，我们学习参数空间上的控制，从而使受控轨迹与 PDE 的解非常接近。对于一类二阶非线性 PDE，我们验证了近似精确度。对几个高维 PDE，包括解决 Hamilton-Jacobi-Bellman 方程的真实应用，我们展示了所提方法的准确性和效率。

    Jan, 2024

  • 解决偏微分方程的快速分辨率无关的神经技术

    本文综述了传统的 PDE 数值逼近方法以及近期的基于机器学习的方法，重点介绍了以神经算子为中心的关键构架，这是一种学习 PDE 解算子的新方法，与传统方法相比具有 1000 倍的计算速度优势，这些新的计算方法可以在解决许多基础和应用物理问题方面带来巨大优势。

    Jan, 2023