Mar, 2023

利用 NGA-West2 数据库，通过物理符号学习器发现地面运动模型

PDF
TL;DR本文提出了一种新的物理启发符号学习方法（PISL），并使用 Nest Generation Attenuation-West2 数据库，使用序列阈值岭回归算法自动发现数学运算符作为符号，提取由复杂系统发出的地面运动的简洁且易于理解的显式特征描述。通过对峰值地面加速度和速度的数据进行比较和外推来评估使用 PISL、经验回归方法和人工神经网络开发的 GMM 的残差和外推能力，并发现 PISL-GMM 提供了同时考虑物理学和数据驱动机器学习的新型回归算法，可以用于在不同区域中识别地震运动变量的预测方程式。
ground-motion modelphysics-informed symbolic learnersequential threshold ridge regression algorithmdistanceamplitude saturation
发现论文，激发创造
  • 物理信息机器学习在奇异扰动系统的慢不变流形中的应用

    提出了一种物理信息驱动的机器学习方法，用于近似奇异干扰系统的慢不变流形，并提供了简单的功能形式，以促进简化模型的构建和数值积分。通过三个基准问题的评估，证明了该方法的效率和准确性优于传统的基于 Geometric Singular Perturbation Theory 的方法，并且对扰动参数的大小没有影响。

    Sep, 2023

  • 物理信息机器学习地球物理数据反演概述

    物理信息机器学习 (PIML) 逆问题算法主要包括 FWI 和神经网络，PIML 相较于传统方法具有避免局部最小值和局部训练优势，但对测试数据和训练数据相似性要求较高，可以通过预训练和微调策略来克服此限制。

    Oct, 2023

  • 基于物理信息的机器学习对非线性钢刚性框架结构地震响应预测

    该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

    Feb, 2024

  • 用于刚性 ODE 系统的慢不变流形逼近的物理信息神经网络方法

    提出了一种物理信息神经网络（PINN）方法，用于发现 ODEs 的一般类别快慢动力系统的缓慢不变流形（SIMs），通过将向量场分解为快慢分量并提供底层 SIM 的闭合形式泛函的方法

    Mar, 2024

  • 符号物理学习器：通过蒙特卡罗搜索树发现控制方程

    提出了一种基于符号物理学习器的方法用于发现非线性动力学的数学结构，特点包括搜索灵活性和公式的简约执行，该机器相对于其他最先进的基线有优越性。

    May, 2022

  • 物理信息符号网络

    本文介绍了物理学知识导向符号网络（PISN），并提出了多层符号网络，以解决部分微分方程。我们还提出了物理学知识导向神经符号网络（PINSN），在符号网络残差的模拟中使用了多层感知器，PINSNs 在性能上优于标准 PINN。

    Jul, 2022

  • 物理知识图学习

    系统评述基于物理规则优化的图学习模型方法及其挑战。

    Feb, 2022

  • 基于物理信息的速率和状态故障摩擦的深度学习

    本文使用物理约束力学知识和机器学习方法开发了一种多网络的物理信息神经网络（PINN），用于模拟地震运动和推断地震断裂参数，以评估地震灾害。

    Dec, 2023

  • PhysGaussian: 三维高斯过程的物理生成动力学

    我们介绍了 PhysGaussian，一种无缝集成物理基础牛顿动力学和三维高斯函数的新方法，以实现高质量的新颖动作合成。

    Nov, 2023

  • 半无限层状域地震波反演的物理知识驱动神经网络

    本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

    May, 2023