面向物理学习的算子学习的近似误差的通用界限
在这项研究中,我们提出了一种名为 OL-PINN 的新型框架,将 DeepONet 与 PINN 相结合来解决具有尖锐解决方案的问题,并成功解决了非线性扩散反应方程、Burgers 方程和高雷诺数下的不可压纳维 - 斯托克斯方程等问题,提高了准确性和鲁棒性,同时广泛应用于解决逆问题。
Oct, 2023
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
本文提出物理信息神经操作器(PINO),该方法使用现有的数据和物理约束条件来学习参数化偏微分方程(PDE)族的解算器,通过结合数据和 PDE 约束条件,PINO 成功地实现了高分辨率实例的准确性和泛化能力。
Nov, 2021
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
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
本文研究了物理知识对神经网络的影响,尤其是对物理意义的学习。研究发现,使用以前的方法,神经网络会容易受到微妙的问题的困扰。为了解决这个问题,我们提出了课程规范化和序列到序列学习两种新的方法。通过使用这两种方法,我们可以取得比以前更好的结果。
Sep, 2021
本文介绍了一种基于物理信息的神经网络(PINN)来解决偏微分方程的方法,并提出了一种基于容差的正确性条件的后训练框架(CROWN),用于限制 PINN 残差误差,并在经典 PDE 和现实应用中进行了实际效果测试。
May, 2023
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