Jun, 2021

具有物理知识的 DeepONets 用于参数演化方程的长时间积分

PDF
TL;DR本文提出了一种用于无配对输入输出观测的深度神经网络参数化的无穷维算子的学习框架，以实现对于参数 ODE/PDE 系统的精确长时间模拟，该方法虽然比传统数值解算法计算成本低，但可靠性更高且能够全局评估。
partial differential equationsmachine learningdeep neural networkslong-time simulationscomputational cost
发现论文，激发创造
  • 通过潜在全局演化学习加速偏微分方程

    提出了一种名为 LE-PDE 的简单，快速且可扩展的方法，通过学习局部动态演化的全局表示，并使用已学习的潜在演化模型在潜空间中进行演化，使得 PDEs 的模拟和反问题求解加速，通过 1D 和 2D 方程的测试结果表明，相比于现有的深度学习模型和其他强基线的方法，最多可达到 128 倍的更新尺寸减少和 15 倍的速度提升，同时精度仍然具有竞争力。

    Jun, 2022

  • 利用物理信息的深度神经网络学习参数偏微分方程的解算子

    本文提出了一种被称为物理学知识不同 DeepONets 的新模型类，通过使用自动差分在模型训练期间施加软惩罚约束来实现重力定律，其将 DeepONet 模型输出偏向于确保物理一致性，进而显著提高 DeepONets 的预测准确性，并大大减少了大型训练数据集的需求。

    Mar, 2021

  • 通过图神经网络和深度算子网络学习时变 PDE 以实现在不规则网格上的鲁棒性精度

    提出了 GraphDeepONet，一种基于 GNN 的自回归模型，能够适应 DeepONet 并有效地学习操作符，具有在不规则网格上预测解以及对时间依赖性 PDE 解进行时间外推的能力。对 GraphDeepONet 的普适逼近能力进行了理论分析。

    Feb, 2024

  • 利用大规模在线学习训练深度代理模型

    该论文提出了一个开源在线培训框架，用于快速解决偏微分方程组，可以提高深度代理模型的数据多样性，对于 Fully connected neural networks、Fourier Neural Operator (FNO) 和 Message Passing PDE Solver 的预测准确度分别提高了 68％、16％和 7％。

    Jun, 2023

  • 可微分物理学习控制偏微分方程

    本研究介绍了一种新颖的分层预测 - 校正方案，使神经网络能够学习理解和控制复杂的非线性物理系统，在涉及偏微分方程的任务中成功地开发了对这些系统的理解，并学会了控制它们。

    Jan, 2020

  • 高维偏微分方程的解算子的近似

    我们提出了一种基于有限维控制的方法来近似解决高维演化型偏微分方程的解算符。通过使用通用的降阶模型，例如深度神经网络，我们将模型参数的演化与相应函数空间中的轨迹连接起来。利用神经常微分方程的计算技术，我们学习参数空间上的控制，从而使受控轨迹与 PDE 的解非常接近。对于一类二阶非线性 PDE，我们验证了近似精确度。对几个高维 PDE，包括解决 Hamilton-Jacobi-Bellman 方程的真实应用，我们展示了所提方法的准确性和效率。

    Jan, 2024

  • 仅学习边界：一种物理信息神经运算器用于解决复杂几何形状中的参数化偏微分方程

    通过将偏微分方程转化为边界积分方程，我们提出了一种新颖的物理信息神经算子方法，可在没有标记数据的情况下解决参数化边界值问题，并且能够处理无界问题。

    Aug, 2023

  • 使用深度学习求解高维偏微分方程

    通过使用神经网络逼近未知解的梯度来解决高维偏微分方程，该算法在包括非线性 Black-Scholes 方程、Hamilton-Jacobi-Bellman 方程和 Allen-Cahn 方程等方程上均取得了精确和低误差的结果。

    Jul, 2017

  • 在潜在空间中学习提高深度神经算子的预测准确性

    使用深度自编码器识别高维 PDE 输入输出函数的潜在特征表示，可以增强学习，并提高时间依赖型的 PDE 模型的计算精度和效率。

    Apr, 2023

  • 深度隐式物理模型：非线性偏微分方程的深度学习

    本文提出了一种基于深度学习的方法，可以从散乱的、有可能带有噪声的时空数据中，发现非线性偏微分方程，该方法通过两个深度神经网络来近似未知解和非线性动力学，并测试了其在多个科学领域的效果。

    Jan, 2018