可微的物理信息图神经网络
本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用,重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。
May, 2022
本研究介绍了一种新型离散 PINN 框架,基于图卷积网络和 PDE 的变分结构,能够在前向和反向设置中严格施加边界条件和吸收稀疏数据,适用于处理不规则几何形状和非结构化网格等应用领域。
Jul, 2021
本文提出了一种新颖的基于物理信息的神经网络框架,用于解决时间依赖偏微分方程,利用离散余弦变换对空间频率进行编码,再利用循环神经网络处理时间演化,从而实现对问题的时空动态的潜在表达,提高了物理相关模型的效率和灵活性,并在 Navier-Stokes 方程的 Taylor-Green 涡旋解上实现了最先进的性能。
Feb, 2022
我们提出了一种结合了 Bond Graphs 和 Graph Neural Network 的神经物理信息编码器(NBgE),用于解决复杂的多物理领域任务。通过实验证明了该方法在多变量时间序列预测任务上的有效性。
May, 2024
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
利用物理学基础知识作为先验知识,通过将物理学基础知识注入到神经网络结构中,从轨迹数据中学习动力学模型,并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束,实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。
Sep, 2021