Oct, 2018

基于物理引导的循环神经网络模型用于建模动态系统：监测湖泊水温和水质

PDF
TL;DR本文介绍了一种新型的框架，将物理学的科学知识与递归神经网络相结合，来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法，并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质，通过使用科学知识指导构建和学习数据驱动模型，我们证明该方法可以实现更好的预测精度以及结果的科学一致性。
发现论文，激发创造
  • 物理引导的机器学习在科学探索中的应用：模拟湖水温度剖面

    本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

    Jan, 2020

  • 物理导向循环神经网络模拟动力系统：以模拟湖泊温度剖面为案例研究

    该论文提出了一种物理引导的循环神经网络模型，结合了循环神经网络与基于物理的模型，利用它们的互补优势来改善物理过程建模的精度，从而在各种科学和工程领域得到应用。

    Oct, 2018

  • 物理引导的神经网络（PGNN）：在湖泊温度建模中的应用

    本论文介绍了一种将物理学 - 基于模型的知识与神经网络相结合的框架，被称为物理引导的神经网络（PGNN），在混合建模设置中利用物理模型模拟的输出和观察特征，借助神经网络体系结构生成预测。此框架使用物理基础的损失函数在神经网络的学习目标中，以确保模型预测不仅在训练集上显示较低的误差，而且在未标记的集合上与已知的物理学保持科学一致性。通过以科学知识指导神经网络的构建和学习，我们能够证明所提出的框架确保了更好的泛化能力和结果的科学一致性。

    Oct, 2017

  • 基于多目标物理引导循环神经网络的非自治动态系统识别

    本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

    Apr, 2022

  • 物理结合的卷积循环神经网络用于动态系统的源识别和预测

    本文介绍 PhICNet 的混合框架，将基于物理的数值模型与深度学习结合，实现源识别和预测。实验结果表明，该模型可以长时间预测动态和确定外部引力源。

    Apr, 2020

  • 物理引导的神经网络架构（PGA）用于量化湖泊温度建模中的不确定性

    在深度学习模型中硬编码物理约束的物理引导架构（PGA）可同时解决表达不确定性和生成与已知科学知识一致的模型输出的需求，加入蒙特卡罗（MC）Dropout 等最先进的不确定性估计方法，以确保 MC 估计能够正确匹配地面观测分布，从而实现更好的可泛化性和物理一致性。

    Nov, 2019

  • 物理引导的深度学习用于动力系统：一份调查

    本文概述了将先验物理知识或基于物理建模方法与深度学习相结合的现有方法，并重点讨论了在学习动力系统方面所面对的基本挑战和新兴机遇。

    Jul, 2021

  • 物理引导机器学习方法在水文学中的应用

    本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

    Dec, 2020

  • 利用物理引导和频率增强的循环神经网络增强时空预测

    该研究论文提出了一种物理引导的神经网络，利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力，并提出了具有物理约束的自适应二阶龙格 - 库塔方法，以更准确地建模物理状态。实验结果表明，该模型在时空预测和视频预测任务中表现出色，在多个数据集上具有最佳性能，而参数数量却更少。

    May, 2024

  • 水资源管理的带不确定性量化的径流预测：一种约束推理与学习方法

    预测流域水量的时空变化及不确定性量化有助于可持续管理宝贵的水资源，本文研究了约束推理和学习方法，在深度神经网络中将物理定律作为逻辑约束层进行集成，并结合高斯过程和深度时间模型进行不确定性量化。实验证明，这些方法在多个真实数据集上比基线方法具有更好的效果。

    May, 2024