基于物理的机器学习用于运动载荷问题
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。
May, 2022
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
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
应用深度学习技术解决逆问题的一种新方法,通过利用已知物理模型生成的模拟数据和观测数据相结合的混合损失函数对物理系统中未知参数进行推断,实验证明该方法在轨道修复问题上优于标准的物理信息神经网络(PINN),提供了更高的准确性和鲁棒性。
Sep, 2023
本文介绍了物理信息神经网络在固体力学中应用的方法,展示了通过使用多网络模型,结合动量平衡和本构关系,可以更准确地呈现一些场量变量。同时,通过测试合成数据并和解析解和数值解进行比较,验证了模型的有效性和精度,并指出了等几何分析在准确性和收敛性方面的优于有限元法的特点。我们还探索了该框架在机器学习中的应用,并发现物理信息对于提高模型的鲁棒性有很大作用。
Feb, 2020
本文提出了一种基于物理学信息神经网络(PINN)的方法来解决在没有标注数据的情况下建模弹性动力学问题的挑战,进一步解决了复杂的 I/BCs 在弱正则化 PINN 框架下无法很好满足的问题,在多个数值弹性例子中展示了该方法的可行性。
Jun, 2020
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
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