PID-GAN: 基于物理知识鉴别器的 GAN 框架用于带物理量不确定性量化

KDDJun, 2021

PID-GAN: 基于物理知识鉴别器的 GAN 框架用于带物理量不确定性量化

PID-GAN: A GAN Framework based on a Physics-informed Discriminator for Uncertainty Quantification with Physics

Arka Daw, M. Maruf, Anuj Karpatne

TL;DR本文介绍了一种基于物理学知识的 deep learning 模型 ——PID-GAN，可以在深度学习中实现不确定性量化，同时可以在基于物理的 PDEs 和不完美物理问题等方面取得良好效果。

Abstract

As applications of deep learning (DL) continue to seep into critical scientific use-cases, the importance of performing uncertainty quantification (UQ) with DL has become more pressing than ever before. In scient

deep learning uncertainty quantification physics-informed deep learning pid-gan physics-based pdes

发现论文，激发创造

物理引导神经网络中的对抗不确定性量化

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

基于物理先验的深度生成模型

应用深度生成模型通过物理学定理来传递极高复杂物理系统中的不确定性。我们构建出一个隐式变分推断公式，并顺利地运用物理学原理作为模型输出的约束条件。这让模型在面对高成本数据采集以及通常小型训练数据集的物理系统建模时具备了一种可扩展的方法来描述随机输入或观测和物理系统输出的不确定性，并以传输动态为规范示例来验证了方法的有效性。

Dec, 2018

基于物理知识的生成式对抗网络在随机微分方程中的应用

研究中介绍了一种新型 PI-GANs 来解决基于有限数量的分散测量数据的前向、反向和混合随机问题，并将物理规律通过自动微分编码到 GANs 的架构中，采用 Wasserstein GANs 进行稳定训练。此外，研究还使用了深度神经网络来进行生成和鉴别，表明了该方法在解决高维随机微分方程问题上的准确性和有效性。

Nov, 2018

无需标记数据的高维代理建模和不确定性量化的物理约束深度学习

提出一种基于物理约束深度学习的建模和不确定性量化方法，避免深度学习在小样本问题上的跨度不足，可以用于偏微分方程系统的解决和预测推断，并提供一些解释和量化手段。

Jan, 2019

运用物理引导的生成对抗网络学习物理模型

本文讨论了如何使用物理引导生成对抗网络（PG-GAN）来解决深度神经网络输出不满足物理方程问题的方法。

Apr, 2023

PI-VEGAN: 物理信息变分嵌入生成对抗网络用于随机微分方程

我们提出了一种名为物理信息变分嵌入生成对抗网络（PI-VEGAN）的新型物理信息神经网络，它有效地解决了随机微分方程的正向、反向和混合问题。

Jul, 2023

基于受控物理信息的数据生成，用于基于深度学习的未见过操作条件下的剩余寿命预测

提出了一种基于物理学信息生成和深度学习预测模型的新型混合框架，其中包括一个新的受控物理学信息生成对抗网络 (CPI-GAN)，该网络使用五个基本物理约束条件将生成的合成降级轨迹的变化趋势保持一致并提高了剩余寿命预测的准确性。与商业模块化航空推进系统模拟 (N-CMAPSS) 的实验结果表明，该框架能够产生与基础降级趋势一致的合成 TTF 轨迹，进而显著提高了剩余寿命预测的准确性。

Apr, 2023

Pi-fusion: 物理信息扩散模型用于学习流体力学

利用物理信息引导的扩散模型 Pi-fusion，加上逆向学习策略，用于预测流体动力学中速度和压力场的时间演化，表现出较大的泛化性能。

Jun, 2024

物理知识图学习

系统评述基于物理规则优化的图学习模型方法及其挑战。

Feb, 2022

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