ICLROct, 2020

利用深度网络增强物理模型进行复杂动力学预测

PDF
TL;DR通过将动力系统分解为物理成分和数据驱动成分，提出了一种完善物理动力学的方法，并通过实验证明了 APHYNITY 框架可以有效地利用近似物理模型准确预测系统演变和正确识别相关物理参数。
dynamical phenomenadata-driven modelsphysical dynamicslearning problemforecasting
发现论文，激发创造
  • 融合基于物理和深度学习模型的预测

    本研究提出一种利用深度学习算法和基于物理性能模型的信息相结合的方法，针对实际场景下复杂的关键安全系统进行预测，实验结果表明这种混合框架比仅依靠数据驱动方法能够将预测范围延长近 127％。

    Mar, 2020

  • 基于物理知识约束的神经网络用于动力系统建模

    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

  • 无监督视频预测中解开物理动力学和未知因素的区别

    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

  • 物理引导的深度学习用于动力系统：一份调查

    本文概述了将先验物理知识或基于物理建模方法与深度学习相结合的现有方法，并重点讨论了在学习动力系统方面所面对的基本挑战和新兴机遇。

    Jul, 2021

  • 基于物理学与数据驱动建模的动态系统学习方法

    本研究提出了一种基于自动微分的物理模型学习方法 AutoODE，该方法能够有效解决在 COVID-19 等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题，实验结果表明，AutoODE 相比于基于深度学习的竞争对手，能够将预测误差减少 57.4%。

    Nov, 2020

  • 从部分观测中学习动态系统

    本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

    Feb, 2019

  • 通过设备无关模型优化网络交互

    通过利用设备的固有物理特性作为计算工具，我们在这项工作中制定了一个通用框架，以完全数据驱动的方式优化与动态物理系统的交互，通过模拟和实现与动态设备的相互作用进行了应用验证，并强调了准确捕捉系统随机性对于成功部署具有物理定义的神经网络的重要性。

    Jan, 2024

  • Phy-Taylor：基于物理模型的深度神经网络

    该论文提出了一个基于物理模型的深度神经网络框架（Phy-Taylor），该框架主要包括物理兼容神经网络（PhN）和物理引导神经网络编辑机制。PhN 通过引入泰勒级数展开的单项式，捕获物理相关的非线性，Phy-Taylor 具有较少的参数，加快训练过程，提供了更好的模型鲁棒性和准确性。

    Sep, 2022

  • 具有保证稳定性的物理感知、概率模型降阶

    提出了一种基于生成模型的动力学系统简化方法，该方法能够实现高维、多尺度动态系统的降维，并在粒子动力学多尺度物理系统中进行有效预测。

    Jan, 2021

  • 物理结合的卷积循环神经网络用于动态系统的源识别和预测

    本文介绍 PhICNet 的混合框架，将基于物理的数值模型与深度学习结合，实现源识别和预测。实验结果表明，该模型可以长时间预测动态和确定外部引力源。

    Apr, 2020