可微分物理学习控制偏微分方程
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
本文介绍了使用深度学习发现复杂数据集中隐藏的偏微分方程 (包括线性和非线性方程)。通过使用测量数据进行必要的输入数据转换来实现发现过程中的坐标转换。同时,展示了用于选择特征和模型的技巧。通过本文的分析,可以发现非线性二阶偏微分方程的动力学可以由我们的深度学习算法自动准确地描述为普通微分方程。在研究更复杂的模拟时,也可以得到类似的结果。
Aug, 2018
本文提出了一种从真实数据中学习建立偏微分方程组以解决计算机视觉和图像处理问题的方法,并通过实验表明该方法可以相对良好地解决传统建立方式无法解决的问题。
Sep, 2011
本文提出了一种用于无配对输入输出观测的深度神经网络参数化的无穷维算子的学习框架,以实现对于参数 ODE/PDE 系统的精确长时间模拟,该方法虽然比传统数值解算法计算成本低,但可靠性更高且能够全局评估。
Jun, 2021
本文提出了一种基于深度学习的方法,可以从散乱的、有可能带有噪声的时空数据中,发现非线性偏微分方程,该方法通过两个深度神经网络来近似未知解和非线性动力学,并测试了其在多个科学领域的效果。
Jan, 2018
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
介绍了一种两分支深度体系结构(PhyDNet)和新的递归物理单元(PhyCell),用于利用 PDE 描述的物理知识改进无监督视频预测方法,并且在四个不同的数据集上进行了广泛实验,表明了 PhyDNet 超越了现有方法的能力。
Mar, 2020
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
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