MMApr, 2021

可解释人工智能在力学中的应用：基于物理信息的神经网络用于本构模型

PDF
TL;DR本文探讨了物理信息神经网络和解释性人工智能的方法，通过对机械数据的训练，使用主成分分析法解释神经网络的高维表示，并能为新材料的数值和分析闭合形式解决方案提供有力的支持。
发现论文，激发创造
  • 物理增强神经网络的极度稀疏化方法用于机械学中可解释的模型发现

    利用神经网络的数据驱动本构模型，在加入物理和机制约束的同时，通过训练及 $l^0$ 正则化的方法，实现了可解释性和可信赖性的简约化表征，适用于可压缩与不可压缩高弹性、屈服函数和强化模型的合成和实验数据。

    Oct, 2023

  • 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

  • 机械系统结构学习的通用框架

    本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

    Feb, 2019

  • 走向可解释人工智能方法基准测试

    本文以科学哲学理论作为分析视角，研究解释性方法在神经网络性能评估中的应用，并发现解释性方法的实用性依赖于人类领域知识和理解推理能力。本研究得出结论，基准测试解释性方法是迈向可信人工智能和机器学习的中心任务。

    Aug, 2022

  • 人脑皮层的高弹性材料模型探索：多元分析与人工神经网络方法对比

    本研究通过应用人工神经网络和多元回归方法，从广为接受的经典模型中找到适合人脑组织的材料本构模型，结果发现人工神经网络在自动识别准确的本构模型方面具有潜力，同时通过多元回归方法实现模型简化，保持高准确率。

    Oct, 2023

  • 神经机械自编码器：学习将弹性和神经网络非线性耦合

    本文介绍了一种机械智能和形态计算的机器学习模型，使用了可学习的细胞实体材料作为形态物质，以及神经网络控制方法来实现非直观的机械行为，并在仿真和实际测试中验证了此方法的可行性。

    Jan, 2023

  • 统计力学与人工神经网络：原理，模型和应用

    神经科学，人工神经网络，统计力学，Hopfield 网络和 Boltzmann 机器是人工神经网络领域的主要研究课题。通过研究人工神经网络中的丢失函数的几何特征和可视化方法，可以提高其优化行为、泛化能力和整体性能。

    Apr, 2024

  • 神经网络的生理机制可解释性

    比较神经网络和生物电路之间的相似和不同，研究探讨了从生物学的行为和可理解的理由中深入了解神经网络从数据中学习的见解。

    Mar, 2022

  • 物理信息分段线性神经网络的过程优化

    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

  • 物理资讯神经网络与图形网络的可扩展算法

    本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用，重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。

    May, 2022