Feb, 2021

带硬约束的物理知识神经网络用于反问题设计

PDF
TL;DR本文提出一种基于物理约束神经网络（hPINNs）的新的深度学习方法用于解决基于偏微分方程（PDEs）和附加不等式的拓扑优化，该方法拥有硬约束，可在不需要偏微分方程求解器的情况下处理大量维度较高的问题。使用 hPINN 解决全息术和 Stokes 流动问题时，相较于基于伴随方法和数值 PDE 解算器的传统 PDE 约束优化方法，它们通常更简单、更平滑。
inverse designtopology optimizationphysics-informed neural networkshard constraintspdes
发现论文，激发创造
  • 物理知识神经网络拓扑优化：应用于隐形几何物体的非侵入式探测

    应用基于物理学的神经网络技术（PINNs）开发出一种具有先进拓扑结构的拓扑优化框架，实现了在医学和工业应用中使用非侵入式成像技术检测出隐藏的几何结构。

    Mar, 2023

  • 物理启发的神经网络用于纳米光学和超材料反问题

    本文介绍如何应用物理信息神经网络（PINNs）求解光子超材料和纳米光学技术中的逆散射问题，并成功应用于多组分纳米粒子等多种散射系统的介电常数参数反演，从而拓展超材料的设计空间和功能。

    Dec, 2019

  • 物理引导神经网络优化的建筑策略

    物理启发的神经网络（PINNs）通过将深度学习与基本物理原理相结合，为解决偏微分方程中的正向和反向问题提供了一种有前途的方法。本研究从神经网络架构的角度深入探讨了 PINN 优化的复杂性，利用神经切向核（NTK），揭示了高斯激活提供了比其他激活函数更有效训练 PINNs 的优势。在数值线性代数的启示下，我们引入了一种经过预处理的神经网络架构，展示了这种定制架构如何增强优化过程。我们通过对科学文献中已有的偏微分方程进行严格验证，证实了我们的理论发现。

    Feb, 2024

  • 界面优化控制问题的硬约束 PINNs

    物理学启发式神经网络（PINNs）与最近发展的捕捉不连续性的神经网络相结合，可以应用于求解带界面和某些控制约束的偏微分方程（PDE）的最优控制问题。该方法是无网格且可扩展到不同的 PDE，并且能够严格保证控制约束。

    Aug, 2023

  • 基于物理信息的神经网络在转换几何和流形上的应用

    将几何变换与物理约束神经网络（PINNs）结合，通过将微分同胚作为参考域的映射并调整物理约束损失函数的导数计算，我们实现了对复杂几何和低维流形的 PINNs 的应用，从而允许在网络训练中进行直接的形状优化。通过对多个问题的示例验证，特别是在几何变化下，我们展示了该方法相比传统 PINNs 的增强灵活性。该框架为在科学和工程中基于参数化几何体上的偏微分方程（PDEs）进行高级建模铺平了道路。

    Nov, 2023

  • 具有硬线性相等约束的基于物理知识的神经网络

    提出了一种严格确保硬线性等式约束的物理信息神经网络模型 KKT-hPINN，通过从 KKT 条件得出的投影层，进一步提高了预测准确性。

    Feb, 2024

  • 物理信息图神经 Galerkin 网络：求解 PDE 控制的正向和反向问题的统一框架

    本研究介绍了一种新型离散 PINN 框架，基于图卷积网络和 PDE 的变分结构，能够在前向和反向设置中严格施加边界条件和吸收稀疏数据，适用于处理不规则几何形状和非结构化网格等应用领域。

    Jul, 2021

  • 利用物理信息神经网络解决接触力学的正向和逆向问题

    本文探讨了物理信息神经网络（PINN）在小变形弹性接触力学的正向和反向问题中的解决能力，通过输出变换的混合变量形式化来强制施加迪里希特和诺伊曼边界条件，并将接触问题的不等式约束即 Karush-Kuhn-Tucker 条件作为松软约束融入丢失函数，研究现有的应用于弹塑性问题的约束函数，探索了具有优良优化特性的非线性互补问题（NCP）函数即 Fischer-Burmeister，基于赫兹接触问题，我们展示了 PINN 可以作为纯偏微分方程（PDE）求解器、数据增强的正向模型、参数识别的反向求解器和快速计算的代理模型的重要性，并展示了选择适当的超参数（例如损失权重）和 Adam 与 L-BFGS-B 优化器的组合以获得更精确和节省训练时间的结果的重要性。

    Aug, 2023

  • 鲁棒的物理信息神经网络

    我们介绍了一种鲁棒版本的物理启发式神经网络（RPINN）来近似求解偏微分方程（PDEs），该方法利用能量范数计算的残差和格拉姆矩阵的倒数构建了损失函数，在两个空间维度的拉普拉斯问题和对流扩散问题中进行了测试，结果表明 RPINN 是一种鲁棒的方法，其损失函数与解的真实误差在能量范数下相符，因此我们可以知道训练过程进行得如何，并在达到所需精度的真实误差下停止训练来获得 PDE 解的神经网络逼近。

    Jan, 2024

  • 拓扑优化应用中的动态配置物理信息神经网络

    机器学习与拓扑优化的整合引起了广泛关注，物理信息神经网络（PINN）可以在解决前向问题时避免产生大量数据，并提供更好的推断。因此，提出了一种动态配置的基于 PINN 的拓扑优化方法（DCPINN-TO），该方法通过动态配置可训练参数并使用活跃采样策略，实现对位插值点的选择性采样。经过多个验证例子和多载荷、多约束问题的考察，验证了 DCPINN-TO 方法的可行性，同时与基于有限元分析的拓扑优化方法（FEA-TO）相比，位移预测准确性和优化结果的准确性表明 DCPINN-TO 方法具备高效性和有效性。

    Dec, 2023