这篇研究论文研究了通过机器学习方法发现复杂修正函数来提高解决偏微分方程数值误差的准确性,发现将求解器集成到训练中的方法比以往的学习方法更有效,文章还强调了不同可微分物理网络在广泛的 PDEs 中的性能表现。
Jun, 2020
我们提出了一种基于神经网络的元学习方法,用于高效解决偏微分方程(PDE)问题。该方法通过元学习来解决各种各样的 PDE 问题,并将这些知识用于解决新的 PDE 问题。我们使用神经网络将 PDE 问题编码成问题表示,其中,控制方程由偏导数的多项式函数的系数表示,边界条件由一组点条件对表示。我们将问题表示作为神经网络的输入来预测解决方案,通过神经网络的前向过程,我们能够高效地预测特定问题的解决方案,而无需更新模型参数。为了训练我们的模型,我们最小化在基于物理知识的神经网络框架中适应 PDE 问题时的预期误差,通过这种方式,即使解决方案未知,我们也能评估误差。我们证明了我们提出的方法在预测 PDE 问题的解决方案方面优于现有方法。
Oct, 2023
提出一种实用的方法,通过神经网络来精确实现偏微分方程控制,利用可微分优化和隐式函数定理来有效实施物理约束,模型能够在域内提供准确满足期望物理约束的连续解。
Jul, 2022
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
通过应用图神经网络和消息传递模型,我们提出了一种有效的 PDE 求解方法,通过参数化控制方程,学习领域不变特征,构建线性 / 非线性 PDE 的准确求解器。
Apr, 2022
采用元学习方法将神经网络拟合偏微分方程组的解,并最终在不同的参数、几何域和边界条件下对非线性 Poisson 方程、1D Burgers 方程和超弹性方程组等问题,以较快的速度达到近似精度,且无需传统的有限元分析求解器。
Nov, 2022
利用神经网络在粗粒化离散空间中学习系统的动力学,并通过降维简化了时间模型的训练过程,同时展示了与在全序空间上操作的神经 PDE 求解器相比,该方法具有竞争力的准确性和效率。
Feb, 2024
本论文利用神经信息传递的方法,构建了一种能够解决具有多种性质的偏微分方程数值解的求解器,并提出了一种基于稳定性领域适应的方法,在 1D 和 2D 中验证其在各种流体状况下的快速、稳定和准确性能。
Feb, 2022
该论文提出了一个开源在线培训框架,用于快速解决偏微分方程组,可以提高深度代理模型的数据多样性,对于 Fully connected neural networks、Fourier Neural Operator (FNO) 和 Message Passing PDE Solver 的预测准确度分别提高了 68%、16%和 7%。
Jun, 2023
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