Aug, 2022

基于量子启发式张量神经网络求解偏微分方程

PDF
TL;DR本文介绍了如何通过 Tensor Neural Networks 来解决 Partial Differential Equations 的问题，实现了与 Deep Neural Network 同样精度的情况下更小的参数及更快的训练速度，并以 Black-Scholes-Barenblatt equation 模型为例进行了测试验证。
partial differential equationsdeep learningtensor neural networksparameter savingsblack-scholes-barenblatt equation
发现论文，激发创造
  • 层叠张量神经网络在参数化偏微分方程的简化建模中的应用

    张量神经网络 (TNNs) 结合了多线性代数和深度学习的成果，能够实现高维问题的高效降维模型。本文描述了一种将多个 TNNs 融合成一个更大网络的深度神经网络架构，旨在解决比单个 TNN 更广泛的问题类别。作者在具有三个独立变量和三个参数的参数型 PDE 上评估了该架构，其中三个参数分别对应一个 PDE 系数和描述域几何的两个量。STNN 在参数范围内提供了准确的降维解描述，并显示出对训练数据之外的参数值有意义的泛化证据。最后，尽管 STNN 架构相对简单且不依赖具体问题，但它可通过正则化来融合特定问题的特征，如对称性和物理建模假设。

    Dec, 2023

  • 偏微分方程与深度神经网络的结合：综述

    本文对深度神经网络用于偏微分方程 (PDEs) 求解的现状和潜在应用进行了综述，分析和分类了相关方法在科学研究和工程场景中的应用，介绍了这一领域的来源、历史、特点、类型以及未来趋势。

    Oct, 2022

  • 高维随机偏微分方程深度神经网络代理

    利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

    Jun, 2018

  • 演化深度神经网络

    本文引入了一种演化深度神经网络模型，用于求解偏微分方程，通过在参数空间内更新神经网络权重来预测状态空间轨迹，边界条件嵌入神经网络中，对多个方程模型进行了理论和实验模拟，验证了模型精确和实用性。

    Mar, 2021

  • 解决偏微分方程的快速分辨率无关的神经技术

    本文综述了传统的 PDE 数值逼近方法以及近期的基于机器学习的方法，重点介绍了以神经算子为中心的关键构架，这是一种学习 PDE 解算子的新方法，与传统方法相比具有 1000 倍的计算速度优势，这些新的计算方法可以在解决许多基础和应用物理问题方面带来巨大优势。

    Jan, 2023

  • 以偏微分方程为基础的深度神经网络

    该论文通过偏微分方程的理论框架，提出了三种新型的 ResNet 神经网络架构，分别属于抛物线和双曲线类型的 CNN，能够提供深度学习的新算法和思路，并用数值实验证明了它们的竞争力。

    Apr, 2018

  • 使用深度学习求解高维偏微分方程

    通过使用神经网络逼近未知解的梯度来解决高维偏微分方程，该算法在包括非线性 Black-Scholes 方程、Hamilton-Jacobi-Bellman 方程和 Allen-Cahn 方程等方程上均取得了精确和低误差的结果。

    Jul, 2017

  • 利用人工神经网络解决参数化偏微分方程问题

    该研究论文展示了如何使用基于神经网络的方法用于数值偏微分方程中处理随机系数的问题，通过神经网络解决 PDE 问题从而简单和精确地表示物理量。

    Jul, 2017

  • 元学习物理信息神经网络以高效求解新的偏微分方程

    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

  • TSONN：面向时间步进的神经网络用于求解偏微分方程

    通过将时间步进方法与深度学习相结合，本研究将原始的 ill-conditioned 优化问题转化为一系列基于给定伪时间间隔的 well-conditioned 子问题，从而大幅提高了模型训练的收敛性，提供了一个稳健的基于优化的 PDE 求解器。与基于传统网格的数值方法相比，在神经网络优化方法框架下，本方法展示了时间步进方法的几个新颖特性和优势，同时显著提高了显式方案的时间步长，并且隐式方案的实现方式与显式方案一样简单。

    Oct, 2023