基于 PDE 的时空解耦
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
本文提出了一种基于数据驱动的普适专家模块,即光流估计组件,用于捕捉广泛的实际物理过程的演化规律;通过精细的物理流程设计和神经离散学习,增强了局部洞察力并获得潜在空间中的重要特征。实验结果表明,与现有的基线方法相比,所提出的框架取得了显著的性能提升。
Feb, 2024
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
提出了一种基于稀疏回归的方法,能够通过空间域中的时间序列测量发现给定系统的主要偏微分方程,该方法通过稀疏促进技术来选择最准确地表示数据的非线性和偏导数术语,同时考虑模型复杂性和回归精度的平衡,通过帕累托分析选择简洁的模型,并在多种数学物理问题中进行了演示。
Sep, 2016
本文介绍了一种基于数据驱动的方法,用于发现参数化偏微分方程,扩展了先前方法中对偏微分方程的鉴定,证明了群组顺序阈值岭回归在识别偏微分方程及其参数依赖性方面的性能优于群 LASSO。
Jun, 2018
我们介绍了一种新颖的网格无关模型,用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。我们提出了一种空时连续潜在神经偏微分方程模型,具有高效的概率框架和新颖的编码器设计,以提高数据效率和网格独立性。潜在状态动态由一个将格点法和线法结合的偏微分方程模型来控制。我们采用分摊变分推断进行近似后验估计,并利用多射击技术来提高训练速度和稳定性。我们的模型在复杂的合成和真实世界数据集上展示了最先进的性能,克服了以前方法的局限,有效处理部分观测数据。该模型优于最近的方法,显示了推进数据驱动的偏微分方程建模的潜力,并能够对复杂的部分观测动态过程进行稳健、网格无关的建模。
Jul, 2023
本文提出一种新的基于物理编码离散学习框架,用于从稀缺且有噪声的数据中发现时空偏微分方程,通过引入基于深度卷积 - 循环网络进行先前的物理知识编码,并利用重构数据的稀疏回归来识别控制 PDEs 的显式形式。作者在三个非线性 PDE 系统上进行了验证,展示了该方法的有效性和优越性。
Jan, 2022
该论文旨在通过使用新的解缩深度生成模型,将时空图分解成空间,时间和图形因素以及解释它们之间相互作用的因素,并使用情报瓶颈理论来最大化这些因素之间的解缠,通过定性和定量实验,在合成和现实世界数据集上展示了该模型优于现有技术的表现。
Feb, 2022
本文提出了一种物理知识驱动的深度学习超分辨率框架,用于增强时间依赖型偏微分方程 (PDE) 的空时分辨率。该框架包含两个可训练模块,先进行空间超分辨率再进行时间超分辨率,实现高分辨率输出,同时满足物理约束条件,应用于工程设计中以减少计算复杂度。
Dec, 2022