物理启发式神经网络的增广拉格朗日松弛方法
我们介绍了一种鲁棒版本的物理启发式神经网络(RPINN)来近似求解偏微分方程(PDEs),该方法利用能量范数计算的残差和格拉姆矩阵的倒数构建了损失函数,在两个空间维度的拉普拉斯问题和对流扩散问题中进行了测试,结果表明 RPINN 是一种鲁棒的方法,其损失函数与解的真实误差在能量范数下相符,因此我们可以知道训练过程进行得如何,并在达到所需精度的真实误差下停止训练来获得 PDE 解的神经网络逼近。
Jan, 2024
本文提出了一种名为 SA-PINNs 的自适应训练方法,通过使用可训练的自适应权重和基于高斯过程回归的连续权重映射,使神经网络学习重点区域并获得了很好的性能,在多项线性和非线性基准测试问题中表现出色,是当前最先进的 PINN 算法之一。
Sep, 2020
采用增广 Lagrange 方法(ALM)解决前向和反向问题,为了进一步提高计算效率和节省计算成本,采用小批量训练。
Jun, 2023
使用物理信息神经网络(PINN)来解决具有多尺度问题的新框架,通过重新构建损失函数并应用不同数量的幂运算到损失项上以使损失函数中的项具有相近的数量级,并且引入分组正则化策略以解决不同子域中变化显著的问题,该方法使得具有不同数量级的损失项可以同时优化,推动了 PINN 在多尺度问题中的应用。
Aug, 2023
该研究介绍了一种名为 PPINN 的新型神经网络结构,可在短时间内解决时间依赖性偏微分方程问题,通过将一个长时间问题分解成许多由粗粒度求解器监督的独立短时间问题,PPINN 可以在几个迭代中实现收敛并获得显著加速。
Sep, 2019
物理学启发式神经网络(PINNs)与最近发展的捕捉不连续性的神经网络相结合,可以应用于求解带界面和某些控制约束的偏微分方程(PDE)的最优控制问题。该方法是无网格且可扩展到不同的 PDE,并且能够严格保证控制约束。
Aug, 2023
本研究提出了一种名为 latentPINN 的框架,通过将偏微分方程(PDE)参数的潜在表示作为额外的输入进行 PINN 模型的训练,使用两个阶段的训练来学习 PDE 参数的潜在表示,并通过在解决区域内随机生成空间坐标和 PDE 参数值的样本进行物理感知神经网络的训练,试验结果表明该方法在不需要任何额外训练的情况下可以很好地适用于不同的 PDE 参数。
May, 2023
本文介绍了物理信息神经网络在固体力学中应用的方法,展示了通过使用多网络模型,结合动量平衡和本构关系,可以更准确地呈现一些场量变量。同时,通过测试合成数据并和解析解和数值解进行比较,验证了模型的有效性和精度,并指出了等几何分析在准确性和收敛性方面的优于有限元法的特点。我们还探索了该框架在机器学习中的应用,并发现物理信息对于提高模型的鲁棒性有很大作用。
Feb, 2020