Feb, 2022

基于物理信息的 RNN-DCT 网络用于时间依赖偏微分方程

PDF
TL;DR本文提出了一种新颖的基于物理信息的神经网络框架，用于解决时间依赖偏微分方程，利用离散余弦变换对空间频率进行编码，再利用循环神经网络处理时间演化，从而实现对问题的时空动态的潜在表达，提高了物理相关模型的效率和灵活性，并在 Navier-Stokes 方程的 Taylor-Green 涡旋解上实现了最先进的性能。
physics-informed neural networkspartial differential equationsrecurrent neural networkstaylor-green vortexstate-of-the-art performance
发现论文，激发创造
  • 物理启发的深度学习（第一部分）：非线性偏微分方程的数据驱动解决方案

    本文介绍物理学知情神经网络，它们被训练来解决监督式学习任务，同时遵守由概括非线性偏微分方程组的任何物理法则。

    Nov, 2017

  • 物理知识指导的深度学习（第二部分）：基于数据发现非线性偏微分方程

    本文介绍了物理知识启发的神经网络，依据偏微分方程描述的物理学定律进行训练。本文第二部分聚焦于基于数据驱动的偏微分方程发现问题，并介绍了两类算法，即连续时间和离散时间模型。本方法在包括守恒定理、不可压缩流体流动和非线性浅水波传播等多个数学物理基准问题上的有效性得到了证明。

    Nov, 2017

  • 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

  • 物理启发的神经算子应用

    本文提出了一种端到端的框架，用于学习偏微分方程，首先通过物理感知神经算子实现了 1D 波动方程和 1D Burgers 方程的准确性和性能，并将其用于更多新的方程类型，以及在学习 2D 线性和非线性浅水方程中的应用。

    Mar, 2022

  • PhyCRNet: 物理知识引导的卷积 - 循环网络用于求解时空 PDEs

    提出一个新的基于物理约束的卷积 - 循环神经网络（PhyCRNet 和 PhyCRNet-s）框架来解决非线性偏微分方程（PDEs），并且在 3 个非线性 PDEs 数值求解的实验中表现出了优越的解决精度、外推性和泛化性能。

    Jun, 2021

  • 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

  • 物理信息多 LSTM 网络用于非线性结构模型化

    本文介绍了一种基于物理知识的深度学习框架，其利用少量数据对非线性结构系统进行元建模，并成功演示了其对复杂结构的精确预测性能。

    Feb, 2020

  • 使用物理感知神经网络解决反问题偏微分方程

    本文提出了一种新型的混合反向问题复合框架，将深度神经网络的高表现力与现有偏微分方程数值算法相结合，通过语义自编码器的自定义层，将计算数学、机器学习和模式识别技术融合在一起，实现了域特定知识和物理约束的综合应用，解决了大量数据中的未知字段这个问题，称之为混合反向 PDE 网络 (BiPDE 网络)，并在一维和二维空间中的泊松问题中，以及一维的时间依赖和非线性 Burgers 方程中，应用和证明了其可行性和噪声鲁棒性。

    Jan, 2020

  • 基于物理信息的无网格深度组合算子网络

    参数化偏微分方程、神经算子、物理信息训练、不规则域形状和可变网格尺寸的研究

    Apr, 2024

  • 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