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
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。
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
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
利用物理知识驱动的深度学习方法在异质固体中解决参数化偏微分方程,它的关键是建立复杂的热导率分布、温度分布和热流分量之间的联系,通过固定边界条件,在这项工作中,我们独立于有限元方法等经典求解器,并通过基于离散弱形式的损失函数定义方法给出出色的结果,该损失函数是一个代数方程,大大提高了训练效率。通过将我们的方法与标准有限元方法进行基准测试,我们展示了使用训练有素的神经网络在温度和通量剖面方面进行准确且更快的预测,我们还展示了在未知情况下,与纯数据驱动方法相比,所提出的方法具有更高的准确性。
Jan, 2024
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。
Feb, 2022
该论文提出了一种新的神经算子,通过直接在傅里叶空间中参数化积分核,实现了对偏微分方程的求解,并在 Burgers' equation、Darcy 流和 Navier-Stokes 方程等测试中展现了高准确率和比传统方法高三个数量级的速度。
Oct, 2020
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
用量子 Chebyshev 特征映射来解微分方程,通过求和保里 Z 算符的张量积作为测量可观测量的改变,提高了精度和计算时间,在处理初始值问题时使用浮动边界处理。在复杂动力学和微分方程系统的求解上进行了测试,另外,我们提出了加入纠缠层以提高精度而不增加可变参数的方案。此外,还结合了物理信息神经网络的改进自适应方法来平衡多目标损失函数。最后,提出了一种新的量子电路结构来逼近多变量函数,并测试了在求解 2D Poisson 方程时的效果。
Dec, 2023
我们提出了一种基于神经网络的元学习方法,用于高效解决偏微分方程(PDE)问题。该方法通过元学习来解决各种各样的 PDE 问题,并将这些知识用于解决新的 PDE 问题。我们使用神经网络将 PDE 问题编码成问题表示,其中,控制方程由偏导数的多项式函数的系数表示,边界条件由一组点条件对表示。我们将问题表示作为神经网络的输入来预测解决方案,通过神经网络的前向过程,我们能够高效地预测特定问题的解决方案,而无需更新模型参数。为了训练我们的模型,我们最小化在基于物理知识的神经网络框架中适应 PDE 问题时的预期误差,通过这种方式,即使解决方案未知,我们也能评估误差。我们证明了我们提出的方法在预测 PDE 问题的解决方案方面优于现有方法。
Oct, 2023