Apr, 2023

具有部分信息的识别：针对某些已知物理变量、参数、时间的情况

PDF
TL;DR通过数值积分和物理先验知识，利用基于神经网络的方法鉴定动态系统，允许任意时间点的数据学习，同时估计实验参数。
dynamical systemsneural networksnumerical integrationphysical knowledgeexperimental parameters
发现论文，激发创造
  • 基于物理知识约束的神经网络用于动力系统建模

    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

  • 时空变系数偏微分方程参数辨识

    提出了一个用于多状态系统的参数识别的新框架，由受限的自适应物理线索神经网络和有限混合模型方法组成，可以精确确定复杂多状态系统的未知变化参数，从而完成了不同空间和时间参数的反演。

    Jun, 2023

  • 从部分观测中学习动态系统

    本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

    Feb, 2019

  • 物理启发的深度学习（第一部分）：非线性偏微分方程的数据驱动解决方案

    本文介绍物理学知情神经网络，它们被训练来解决监督式学习任务，同时遵守由概括非线性偏微分方程组的任何物理法则。

    Nov, 2017

  • 基于物理信息的 RNN-DCT 网络用于时间依赖偏微分方程

    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

  • 伪哈密顿系统辨识

    本文提出了一种基于假想哈密顿公式的方法，可以对受干扰的系统动力学建模，即使模型只有系统的观测数据。该方法通过神经网络学习系统中的未知阻尼和外部干扰的影响，应用于一些传统方法难以适用的情境中，同时通过第四阶对称积分损失函数的方法对噪声数据进行训练，提高了模型的性能.

    May, 2023

  • 神经增量数据同化

    利用深度学习方法，将物理系统建模为一系列由神经网络参数化的粗粒度高斯先验分布，从而定义一个同化算子，并通过与传统变分数据同化方法的比较，在具有稀疏观测的混沌动力学物理系统上展示了其准确性和加速效果。

    Jun, 2024

  • 物理知识指导的深度学习（第二部分）：基于数据发现非线性偏微分方程

    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

  • 物理结合的卷积循环神经网络用于动态系统的源识别和预测

    本文介绍 PhICNet 的混合框架，将基于物理的数值模型与深度学习结合，实现源识别和预测。实验结果表明，该模型可以长时间预测动态和确定外部引力源。

    Apr, 2020

  • 数据同化的神经 Koopman 先验

    使用大规模数据集、计算能力和神经网络架构，基于 Koopman 算子理论的神经网络架构在动力学系统的潜在空间中对数据进行线性描述，从而实现了长期连续重现，包括在时间序列不规则采样情况下。并展示了训练过的动力学模型作为新型数据同化技术的先验的潜力，应用于时间序列插值和预测。

    Sep, 2023