Phy-Taylor:基于物理模型的深度神经网络
利用物理学基础知识作为先验知识,通过将物理学基础知识注入到神经网络结构中,从轨迹数据中学习动力学模型,并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束,实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。
Sep, 2021
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
本论文介绍了一种将物理学 - 基于模型的知识与神经网络相结合的框架,被称为物理引导的神经网络(PGNN),在混合建模设置中利用物理模型模拟的输出和观察特征,借助神经网络体系结构生成预测。此框架使用物理基础的损失函数在神经网络的学习目标中,以确保模型预测不仅在训练集上显示较低的误差,而且在未标记的集合上与已知的物理学保持科学一致性。通过以科学知识指导神经网络的构建和学习,我们能够证明所提出的框架确保了更好的泛化能力和结果的科学一致性。
Oct, 2017
提出了利用物理知识来升级神经网络模型以解决优化问题的方法,通过使用修正线性单元和分段线性逼近的双曲正切激活函数,针对三个不同的案例进行实验,结果表明这种升级模型比传统模型更接近于全局最优解,且更有效地优化了 CPU 时间。
Feb, 2023
本文提出了一种物理引导递归神经网络模型(PGRNN),它根据物理学模型和机器学习模型相结合,明确提出物理模型的局限性并提出了一种新的改进方法,该方法能够更好地预测实际现象。
Jan, 2020
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。
Nov, 2017
给定一些稀疏和 / 或嘈杂的数据,本文提出了一种纠正 PINNs 中模型错误的通用方法,使用其他深度神经网络 (DNNs) 建模模型偏差和观测数据之间的差异,从而扩展了 PINNs 在未知物理过程的复杂系统中发现规律方程的应用。
Oct, 2023