May, 2022

物理资讯神经网络与图形网络的可扩展算法

PDF
TL;DR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。
physics-informed machine learningmultimodality and multifidelity datapinnsgnnslarge-scale engineering problems
发现论文，激发创造
  • 物理信息机器学习在动态系统建模和控制中的应用

    本文概述了物理相关机器学习在动态系统建模和控制方面的最新进展、基本概念和方法、工具及应用。

    Jun, 2023

  • 物理学知识驱动的机器学习：问题、方法和应用综述

    本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展，它以物理机制为前提，在模型结构、优化器、推断算法和特定领域的应用（如逆向工程设计和机器人控制）等方面将不同的物理先验形式编码成模型，随着跨领域的研究，增强模型精度，提高效率，并对相关学科领域解决长期存在的问题提供可贵帮助。

    Nov, 2022

  • 通过物理知识指导的神经网络科学机器学习：现状和未来展望

    文章综述了物理学启发的神经网络（PINN）的文献，并介绍了其特点和优缺点。此外，研究还包括了使用 PINN 以及它的许多其他变体解决 PDE、分数方程、积分微分方程和随机 PDE 的广泛应用领域，以及它们的定制化方法，如不同的激活函数、梯度优化技术、神经网络结构和损失函数结构。虽然该方法被证明在某些情况下比有限元方法更可行，但它仍面临理论问题尚未解决。

    Jan, 2022

  • 基于物理信息的神经网络及其在物理信息机器学习中的相关模型的数值分析

    对物理启发机器学习中的物理信息神经网络和相关模型的数值分析结果进行综合评述，并重点阐述了在近似偏微分方程时 PINN 所产生的误差在各个组成部分的行为，以及与 PDE 类型和基础域维度相关的逼近、概括和训练误差的可用结果。同时阐明了解的稳定性和解的规则性对误差分析的作用，最后通过数值结果来说明训练误差对物理启发机器学习中各种模型整体性能的不利影响。

    Jan, 2024

  • 基于物理的机器学习用于运动载荷问题

    该论文提出了一种新的物理信息机器学习 (PIML) 模拟移动载荷前向和反向问题的方法，通过利用物理信息神经网络 (PINNs) 来解决动载荷问题，并使用高斯函数替代 Dirac delta 函数，用于预测梁的弯曲和载荷量，仿真结果表明 PIML 是解决该问题的有效方法。

    Apr, 2023

  • 基于物理信息的神经网络在转换几何和流形上的应用

    将几何变换与物理约束神经网络（PINNs）结合，通过将微分同胚作为参考域的映射并调整物理约束损失函数的导数计算，我们实现了对复杂几何和低维流形的 PINNs 的应用，从而允许在网络训练中进行直接的形状优化。通过对多个问题的示例验证，特别是在几何变化下，我们展示了该方法相比传统 PINNs 的增强灵活性。该框架为在科学和工程中基于参数化几何体上的偏微分方程（PDEs）进行高级建模铺平了道路。

    Nov, 2023

  • h 分析和数据并行的物理信息神经网络

    本文探讨了物理知识驱动的机器学习（PIML）方案的数据并行加速，重点是针对多个图形处理单元（GPU）架构的物理知识驱动的神经网络（PINNs）。通过使用基于 Horovod 的训练框架详细说明了开发规模鲁棒的 PHP 模型的协议，包括对广义误差的新收敛界限的 $h$ 分析，我们将加速做法应用于规模鲁棒的 PIML 模型，并且通过大量实验验证了其鲁棒性和一致性，为实现各种真实世界模拟提供了广泛的可能性。

    Feb, 2023

  • 训练物理思维神经网络的专家指南

    通过提出一系列最佳实践，改进物理信息神经网络（PINNs）的训练效率和整体准确性，还展示了不同架构选择和训练策略如何影响结果模型的测试准确性。

    Aug, 2023

  • 基于多任务优化的物理信息神经网络训练用于交通密度预测

    提出了一种基于多任务优化范式的物理信息神经网络（PINNs）训练框架，通过解决多个辅助任务来提升主任务的性能，应用于交通密度预测问题的训练中，实验结果表明相比传统方式，该框架显著提高了 PINN 的性能。

    Jul, 2023

  • GPINN: 带有图嵌入的物理知识神经网络

    本文提出了一种基于图嵌入的物理信息神经网络框架（GPINN），使用拓扑空间而非传统的欧几里得空间来执行 PINN，以提高问题解决效率。该框架将拓扑数据集成到神经网络的计算中，显著提高了 PINN 的性能。通过 Fiedler 向量引导选择额外的维度，将额外的维度注入输入空间，以封装图的空间特征，同时保留原空间的属性。此外，本文进行了两个案例研究，证明 GPINN 在与传统 PINN 相比，特别是在捕获解的物理特征方面具有显著的性能优势。

    Jun, 2023