物理信息多 LSTM 网络用于非线性结构模型化
该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习(PiML)方法,用于建模非线性结构的地震响应,并通过模型降阶、长短期记忆网络(LSTM)和牛顿第二定律等特性,使模型具有相对稀疏数据的训练能力,同时提高了模型的准确性、可解释性和鲁棒性。
Feb, 2024
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
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
该论文探讨了如何将物理先验知识加入数据驱动模型,提高模型的质量和稳定性,并以 Lyapunov 分析为视角,通过研究液体流动预测的典型问题,验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。
May, 2019
使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统,并提出了一种结构,将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合,可以在整个参数空间内预测动力学,保留哈密顿方程以及相空间的辛结构。同时,利用神经网络的高维非线性能力,结合 Long Short Term Memory 网络进行判断嵌入定理的实现,构造系统的延迟嵌入,并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效,并且即使在较长时间内也能提供准确的预测结果。
Jul, 2023
使用理论物理知识,以很少的数据为样本,提出了一种新的深度学习方法 Deep Lagrangian Networks (DeLaN),可用于机器人轨迹跟踪控制,能够在实时学习中更快速,更准确地进行模型学习, 并能更加可靠地对新的轨迹进行外推
Jul, 2019
提出了利用物理知识来升级神经网络模型以解决优化问题的方法,通过使用修正线性单元和分段线性逼近的双曲正切激活函数,针对三个不同的案例进行实验,结果表明这种升级模型比传统模型更接近于全局最优解,且更有效地优化了 CPU 时间。
Feb, 2023
本文提出了一种基于物理启发式神经网络的深度学习框架,用于量化和传播受非线性微分方程支配的系统中的不确定性。通过建立概率表示,对系统状态进行训练以满足给定的物理定律表达式,并提供了一种有效训练深度生成模型作为物理系统的代理的规范化机制,在这些系统中,数据采集成本高,训练数据集通常较小。该框架提供了一种灵活的方式,用于因输入随机性或观测噪声而导致的物理系统输出不确定性的表征,完全绕过了重复采样昂贵的实验或数值模拟器的需求。作者通过一系列例子证明了方法的有效性,这些例子涉及非线性守恒定律中的不确定性传播以及直接从嘈杂的数据中发现流体通过多孔介质的本构规律。
Nov, 2018
本文介绍了物理知识启发的神经网络,依据偏微分方程描述的物理学定律进行训练。本文第二部分聚焦于基于数据驱动的偏微分方程发现问题,并介绍了两类算法,即连续时间和离散时间模型。本方法在包括守恒定理、不可压缩流体流动和非线性浅水波传播等多个数学物理基准问题上的有效性得到了证明。
Nov, 2017